OpenAI представляет новые голосовые ИИ-модели для оптимизации работы корпоративных агентов

Голосовые ИИ-агенты традиционно отличались высокой стоимостью эксплуатации и сложностью в управлении. Это было вызвано не столько возможностями самих моделей обрабатывать диалоги, сколько необходимостью обходить ограничения контекстного окна — механизма, который диктовал разработчикам необходимость создавать слои для сброса сессий, сжатия и восстановления состояний при каждом внедрении. Компания OpenAI представила три новые голосовые модели, призванные значительно снизить эти накладные расходы и изменить подход инженеров к интеграции голосовых функций в общую архитектуру ИИ-агентов.

Специализированные компоненты для голосового взаимодействия

Новые модели — GPT-Realtime-2, GPT-Realtime-Translate и GPT-Realtime-Whisper — интегрируют обработку аудиопотока в реальном времени в общую систему управления как дискретные (отдельные) примитивы оркестрации. Это позволяет разделить разговорную логику, перевод и транскрипцию на специализированные компоненты, вместо того чтобы объединять их в едином универсальном голосовом продукте.

Детальный обзор новых моделей

По данным, опубликованным компанией в официальном блоге, модель Realtime-2 является первой голосовой системой «с логикой уровня GPT-5». Она способна обрабатывать сложные запросы и поддерживать естественный ход диалога.

Модель Realtime-Translate умеет понимать более 70 языков и переводить их на 13 других со скоростью речи говорящего, что делает её незаменимой для многоязычных коммуникаций.

Realtime-Whisper представляет собой новую модель для высококачественной транскрипции речи в текст.

В отличие от предыдущих решений, эти три функции теперь не объединены в одной системе или модели. Хотя GPT-Realtime-2 теоретически может выполнять транскрипцию, OpenAI направляет различные задачи специализированным моделям: Realtime-Translate для многоязычного перевода речи и Realtime-Whisper для преобразования голоса в текст. Это позволяет компаниям назначать каждую задачу соответствующей модели, а не направлять все запросы через одну, всеобъемлющую голосовую систему.

Конкурентная среда и рекомендации для бизнеса

Новые модели OpenAI вступают в конкуренцию с решениями других разработчиков, например, с линейкой Voxtral от компании Mistral, которые также предусматривают разделение функций транскрипции и ориентированы на корпоративное использование.

Сегодня всё больше предприятий осознают ценность голосовых ИИ-агентов. Это обусловлено как ростом доверия пользователей к взаимодействию с искусственным интеллектом, так и богатством данных, получаемых в ходе голосовых клиентских обращений.

Организациям, которые рассматривают внедрение этих моделей, необходимо тщательно оценивать не только качество самих систем, но и особенности их архитектуры оркестрации. В частности, критически важно, чтобы их техническая платформа могла маршрутизировать дискретные голосовые задачи к специализированным моделям и эффективно управлять состоянием в рамках окна контекста объемом до 128 тысяч токенов.

Твитнуть