OpenAI pristato GPT-Realtime-2: balsinis DI, kuris mąsto kalbėdamas
·
OpenAI gegužės pradžioje išleido tris naujus realaus laiko garso modelius, ir tai nėra tik kitas „balso atnaujinimas”. GPT-Realtime-2, tai balsinis DI su GPT-5 lygio mąstymu. Jis kalba, mąsto ir… nenutyla tada, kai jo klausiate kažko sudėtingo.
Jei kada nors bandei naudoti balso asistentu ir jis atsakė po ilgos tylos, suprasi, apie ką kalbu. Tos tylos, kai nežinai, ar sistema tebedirba, ar tiesiog užšalo, buvo viena didžiausių skausmų. GPT-Realtime-2 tai sprendžia konkrečiai.
Trys modeliai, trys paskirtys
OpenAI išleido tris skirtingus modelius vienu metu:
- GPT-Realtime-2, pagrindinė pokalbių sistema su GPT-5 lygio logika, 128K konteksto langu ir penkiais mąstymo intensyvumo lygiais
- GPT-Realtime-Translate, realaus laiko vertimas per 70+ kalbų, skirtas daugiakalbėms programoms
- GPT-Realtime-Whisper, gyvas transkripcija ir subtitrai, kurie veikia akimirksniu
Kiekvienas modelis daro skirtingą dalyką. Verslui, kuris kuria klientų aptarnavimo botus, vienas. Konferencijoms, kurioms reikia vertimo į 20 kalbų, kitas. Turinio kūrėjams, norintiems automatinių subtitrų, trečias.
Kas konkrečiai pasikeitė
Žinai tą jausmą, kai skambini į klientų aptarnavimą ir robotas sako „momento, patikrinsiu” ir tada, tyla. Nieko. Sėdi ir stebiesi, ar dar ten kas nors yra. GPT-Realtime-2 sprendžia būtent tai.
Modelis dabar gali sakyti „patikrinsiu tavo kalendorių” arba „ieškau informacijos dabar”, ir tai yra aktyvus signalas, kad dirba. Ne tyla. Ne laukimas. Pokalbis tęsiasi net tada, kai sistema atlieka kelias užduotis vienu metu.
Keli konkretūs patobulinimai:
- Lygiagretusis įrankių iškvietimas, modelis gali vienu metu patikrinti kelis dalykus ir garsiai pranešti, ką tikrina
- Pertraukimo valdymas, jei esi neteisingai suprastas, modelis sako „turėjau omenyje…” ir grįžta, vietoj to, kad tiesiog pradėtų iš naujo
- Tono valdymas, kūrėjai gali nustatyti, kaip modelis turi skambėti: draugiškai, profesionaliai ar neutraliai
Veiklos rodikliai irgi rimti: GPT-Realtime-2 (aukštas režimas) Big Bench Audio teste surinks 15,2% daugiau taškų nei ankstesnė versija. Tai nėra marketing skaičiai, tai lyginamieji testai.
Kodėl tai svarbu verslui
Jei tavo verslas kuria bet kokią balsinę sąsają, klientų aptarnavimą, telefoninį botą, konferencijų įrašų apdorojimą, šie modeliai keičia žaidimo taisykles. DI įrankiai produktyvumui jau dabar taupo valandas, bet balsinė DI pagalba iki šiol buvo silpniausia grandis.
Vertimo modelis ypač įdomus. 70+ kalbų realiu laiku, tai reiškia, kad mažas Lietuvos verslas gali turėti klientų aptarnavimą anglų, vokiečių, prancūzų kalba be papildomų darbuotojų. Teoriškai. Praktiškai, vis dar reikia gerai sukonfigūruoti.
Tai nėra vien technologijos naujovė. Tai verslo modelio klausimas. Kaip pasirinkti DI įrankį verslui, apie tai rašiau anksčiau, ir balsinė DI ten buvo atskira kategorija. Dabar ši kategorija keičiasi greičiau nei spėjame sekti.
Realtime API: iš beta į gamybą
Svarbus momentas, Realtime API oficialiai išeina iš beta versijos. Tai reiškia stabilesnę aplinką, geresnius SLA garantijus ir tai, kad OpenAI laiko šią technologiją paruošta rimtam naudojimui.
Visi trys modeliai jau pasiekiami per OpenAI API ir gali būti išbandyti tiesiai Playground aplinkoje. Kainodara, kita istorija, bet bent jau prieiga yra.
Anthropic vs OpenAI verslo DI segmente, konkurencija aštri. Ir šis žingsnis rodo, kad OpenAI neketina leisti Anthropic ramiai tobulinti savo verslo sprendimų. DI agentų era prasidėjo, ir balsiniai modeliai tampa pagrindiniu jos komponentu.
Vienas klausimas, kuris lieka atviras: kai balsinis DI tampa toks geras, kad jo beveik nebeskiria nuo žmogaus, ar tai iš tiesų to norėjome? Patogu. Bet ir keistokai.
