OpenAI v poslednom čase výrazne zrýchlilo tempo, chrlí novinky a jeho riešenia dosahujú veľmi dobré výsledky. Po GPT-5.5 a ChatGPT Images 2.0 teraz prichádza nová generácia GPT-Realtime, ktorá zahŕňa niekoľko variantov.
GPT-Realtime-2 je univerzálny zvukový model, ktorý má umožniť prirodzenejšiu konverzáciu než kedykoľvek predtým. GPT-Realtime-Translate sa podľa očakávania zameriava na preklad medzi jazykmi. GPT-Realtime-Whisper je zase optimalizovaný na prevod reči na text.
Líder v oblasti umelej inteligencie sa zjavne snaží na všetkých frontoch ukázať, že hoci je Google silným súperom, iniciatívu má stále v rukách OpenAI. Spoločnosť mala veľmi schopný hlasový model už doteraz, no s GPT-Realtime-2 vytvorila prvé riešenie, ktoré možno považovať za porovnateľné s GPT-5. Počas rozhovoru dokáže v reálnom čase odpovedať aj na náročnejšie a zložitejšie otázky. Celkovo bude reagovať ešte priamejšie, aby konverzácia pôsobila prirodzenejšie.
Model GPT-Realtime-2 bol navrhnutý pre situácie, v ktorých musia odpovede, vykonávanie úkonov a uvažovanie prebiehať súčasne bez narušenia plynulej konverzácie. Novinka dokáže pochopiť a spracovať aj zložité pokyny. V pozadí však potrebuje značný výpočtový výkon a v niektorých situáciách sa bude musieť zamyslieť. Takéto chvíle vyplní sprievodnými frázami. Čas si môže získať napríklad vetou: „To je výborná otázka, dovoľ mi premyslieť si odpoveď.“
S modelom GPT-Realtime-2 bude možné bez problémov viesť aj dlhšie rozhovory, keďže kontextové okno sa zväčšilo z pôvodných 32-tisíc na 128-tisíc tokenov. Výrazné zlepšenie má priniesť aj v odborných rozhovoroch, pri ktorých treba pracovať so špecializovanou terminológiou. Hlas modelu bude možné prispôsobiť vo väčšej miere než doteraz a jeho reč bude výrazovejšia. Partneri si navyše budú môcť podľa potreby zvoliť úroveň uvažovania (minimal, low, medium, high, xhigh).
Podľa OpenAI dosahuje GPT-Realtime-2 v teste Big Bench Audio podstatne lepšie výsledky než predchádzajúca verzia GPT-Realtime-1.5. Pri vysokej úrovni uvažovania dosiahol skóre 96,6 %, zatiaľ čo jeho predchodca zvládol len 81,4 %. Pri teste Audio MultiChallenge spoločnosť vyzdvihla zlepšenie v dodržiavaní pokynov. Kým predchádzajúci model dosiahol iba 34,7 %, nový hlasový model už skončil s výsledkom 48,5 %.
GPT-Realtime-Translate má byť výborným tlmočníkom, ktorý dokáže v reálnom čase prekladať komunikáciu medzi rôznymi jazykmi. V prípade potreby poskytne okrem zvukového výstupu aj text, aby rozhovor prebiehal ešte spoľahlivejšie a s väčšou istotou. Prípadné chyby v preklade sa tak budú dať ľahko odhaliť.
Nový GPT-Realtime-Translate už na vstupe podporuje viac než 70 jazykov, výstup je však zatiaľ dostupný len v 13 jazykoch. Tento zvukový model údajne veľmi dobre zvláda aj rôzne prízvuky a regionálne nárečia. Podľa OpenAI sa môže uplatniť nielen v zákazníckej podpore, ale aj vo vzdelávaní, pri cezhraničnej komunikácii či na medzinárodných podujatiach. Deutsche Telekom na ňom údajne už stavia viacjazyčného asistenta.
GPT-Realtime-Whisper zase dokáže priebežne vytvárať titulky k hovorenému slovu a pracuje s minimálnym oneskorením. Používateľom tak môže pomôcť napríklad pri vytváraní hlasových poznámok. Tento model môže byť ideálnym základom moderných aplikácií na nahrávanie hlasu, dokáže vytvárať kvalitné prepisy porád a pomôcť aj na vyučovaní. Príkladov jeho využitia by sa našlo ešte mnoho.
Trojica nových modelov je dostupná prostredníctvom Realtime API, ktoré OpenAI predstavilo už skôr. V prípade GPT-Realtime-2 stojí spracovanie milióna zvukových tokenov 32 dolárov, zatiaľ čo rovnaké množstvo na výstupe vyjde na 64 dolárov. Pri modeloch GPT-Realtime-Whisper a GPT-Realtime-Translate je cena stanovená za minútu. Whisper stojí 0,017 dolára a Translate 0,034 dolára za minútu.
