OpenAI je v zadnjem času pritisnil na plin in kar stresa novosti, razvoj podjetja pa je kar uspešen. Po modelu GPT-5.5 in orodju ChatGPT Images 2.0 je zdaj na prizorišče stopila nova generacija GPT-Realtime, ki jo sestavlja več različnih podvariant.
GPT-Realtime-2 je splošni zvočni model, ki bo omogočal bolj naraven pogovor kot kdaj koli prej. GPT-Realtime-Translate bo, kot pove že ime, blestel pri prevajanju med jeziki. GPT-Realtime-Whisper pa je izostren za pretvorbo govora v besedilo.
Vodilni na fronti umetne inteligence očitno na vseh področjih skuša jasno pokazati, da je pobuda kljub močnemu Googlu še vedno v rokah OpenAI. Podjetje je imelo že doslej zelo močan glasovni model, z GPT-Realtime-2 pa je nastala prva rešitev, ki jo že lahko štejemo za raven GPT-5. Med pogovori zmore v realnem času odgovarjati tudi na težja, zapletenejša vprašanja, njegovo delovanje pa je na splošno še bolj neposredno, da se zdi naravnejše.
Model GPT-Realtime-2 je zasnovan za primere, ko se morajo odgovori, dejanja in sklepanje dogajati hkrati, ne da bi se prekinil tekoči pogovor. Novost bo zmogla razumeti in obdelati tudi zapletena navodila, čeprav za to v ozadju seveda potrebuje veliko računske zmogljivosti, in bodo situacije, ko bo razmišljal, a bo za ta čas ponudil tudi zapolnitveno besedilo. Za pridobivanje časa bo lahko rekel: »to je odlično vprašanje, dovolite mi, da premislim odgovor«.
Z modelom GPT-Realtime-2 bo mogoče brez težav voditi tudi daljše pogovore, saj se je kontekstno okno povečalo s prejšnjih 32 tisoč na 128 tisoč žetonov. Orodje bo pokazalo velik napredek tudi takrat, ko se mora izkazati v strokovnem pogovoru z uporabo strokovnih izrazov. Glas modela je bolj prilagodljiv kot kdaj koli prej, govor pa bo izrazitejši. Raven sklepanja bodo partnerji lahko izbrali po potrebi (minimal, low, medium, high, xhigh).
V testu Big Bench Audio je po navedbah OpenAI model GPT-Realtime-2 precej močnejši od prejšnje različice GPT-Realtime-1.5. Na visoki ravni sklepanja je dosegel 96,6-odstotni rezultat tam, kjer je njegov predhodnik zmogel le 81,4 %. V okviru testa Audio MultiChallenge pa je podjetje poudarilo, koliko se je izboljšalo upoštevanje navodil. Prej je orodje doseglo le 34,7 %, novi glasovni model pa je zaključil s 48,5 odstotka.
GPT-Realtime-Translate se bo izkazal kot odličen tolmač: v realnem času bo zmogel prevajati komunikacijo med različnimi jeziki. Po potrebi bo poleg zvočnega izhoda ponudil tudi besedilo, da bo pogovor še zanesljivejši. Tako je mogoče morebitne napake pri prevajanju zlahka odpraviti.
Novi GPT-Realtime-Translate na vhodni strani podpira več kot 70 jezikov, izhod pa je zaenkrat zagotovljen le v 13 jezikih. Ta zvočni model naj bi zelo dobro obvladal tudi različne naglase in regionalna narečja. Po mnenju OpenAI bo to prav prišlo poleg službe za podporo strankam tudi v izobraževanju, pri čezmejni komunikaciji in na mednarodnih prireditvah. Deutsche Telekom naj bi že gradil večjezičnega asistenta na njem.
GPT-Realtime-Whisper pa lahko tekoče pretvarja slišano v podnapise, delovala pa bo z zelo majhnim zamikom. Uporabnikom lahko tako pomaga na primer pri izdelavi glasovnih zapiskov. Za osnovo sodobnih aplikacij za snemanje glasu je lahko ta model odlična izbira, ustvari lahko odlične prepise sestankov, pomaga pa lahko tudi pri pouku, primerov uporabe pa bi lahko navedli še marsikaj.
Trojica novih modelov je na voljo prek API-ja Realtime, ki ga je OpenAI uvedel že prej. Pri GPT-Realtime-2 obdelava 1 milijona zvočnih žetonov stane 32 dolarjev, na izhodni strani pa isto stane 64 dolarjev. Pri GPT-Realtime-Whisper in GPT-Realtime-Translate je cena podana na minuto: model Whisper stane 0,017 dolarja, Translate pa 0,034 dolarja na minuto.
