OpenAI обяви пускането на нови гласови функции в своето API за разработчици. Те включват инструменти за разговори в реално време, превод и транскрипция. Това съобщава Tech Crunch.
OpenAI разшири своя API с нова линия аудио-инструменти. Компанията представи три ключови продукта: GPT-Realtime-2 за гласови разговори, GPT-Realtime-Translate за превод в реално време и GPT-Realtime-Whisper за Live-транскрипция.
GPT-Realtime-2 е нов гласов модел за по-естествено взаимодействие с потребителя. За разлика от предишната версия, GPT-Realtime-1.5, той е получил подобрение от клас GPT-5. Компанията твърди, че това би трябвало да подобри обработката на по-сложните заявки и да направи гласовите интерфейси полезни в работата.
Отделно, OpenAI пусна GPT-Realtime-Translate. Моделът е предназначен за превод на разговори в движение и според компанията трябва да „бъде в крак“ със събеседника. Услугата поддържа повече от 70 езика за въвеждане и 13 езика за извеждане. Тоест, тя може да разбира много повече езици, отколкото може да възпроизведе с глас.
Третата актуализация е GPT-Realtime-Whisper. Това е инструмент за преобразуване на речта в текст в реално време. Може да се използва, когато е важно незабавно да се запише какво се казва по време на разговор, обаждане или събитие.
Наскоро съобщихме, че в новите модели на изкуствен интелект на OpenAI е строго забранено да споменават гоблини, гремлини, миещи мечки, тролове, огри и гълъби, освен ако не е абсолютно необходимо, за да се отговори на потребителско запитване. Това се отнася за продукти като инструмента за програмиране Codex на компанията и моделите GPT-5.5.
OpenAI се стреми да превърне гласа в пълноценен интерфейс за продуктите си. Идеята е ботът не само да отговаря, но и да слуша, превежда, да улавя съдържанието на разговора и да реагира с напредването му. Той ще бъде полезен за компаниите в областта на обслужването на клиенти, образованието, медиите, създаването на съдържание и събитията.
За да предотврати злоупотреби като спам или измами, OpenAI има вградени защитни механизми, които автоматично прекратяват разговорите, ако те нарушават политиката за вредно съдържание. Всички нови модели са налични в рамките на Realtime API: Translate и Whisper се таксуват на минута, докато GPT-Realtime-2 се таксува на изразходван токен.
Наскоро Amazon интегрира ИИ инструментите на OpenAI в своите платформи, след като прекрати споразумението си с Microsoft. Услугата за разработване на AI приложения Bedrock на Amazon вече включва най-новите модели на OpenAI, инструмента за писане на код Codex и новата услуга за изграждане на AI-агенти, Bedrock Managed Agents, специално оптимизирана за моделите на разсъждение на OpenAI.
Наскоро OpenAI представи ChatGPT Images 2.0, който внася революция в генерацията на текст върху изображения.