7 мая 2026 года OpenAI представила три новые голосовые модели для API: GPT‑Realtime‑2, GPT‑Realtime‑Translate и GPT‑Realtime‑Whisper. Это обновление не про «ещё один голосовой чат», а про полноценные голосовые интерфейсы, которые могут слушать человека в реальном времени, понимать контекст, рассуждать, переводить речь и выполнять действия во время разговора.

Что произошло

OpenAI обновила линейку realtime-моделей — то есть моделей, которые работают с живым аудио без привычной схемы «записал фразу → отправил → подождал → получил ответ». Такие модели нужны для голосовых ассистентов, колл-центров, приложений для путешествий, онлайн-обучения, встреч, переводчиков и любых сервисов, где человеку удобнее говорить, чем печатать.

В релиз вошли три модели:

  • GPT‑Realtime‑2 — новая основная модель для голосовых агентов. Она умеет не просто отвечать голосом, а рассуждать, удерживать длинный контекст, вызывать инструменты и продолжать диалог естественно.
  • GPT‑Realtime‑Translate — модель для живого голосового перевода. Она принимает речь более чем на 70 языках и переводит её в 13 выходных языков почти в реальном времени.
  • GPT‑Realtime‑Whisper — новая streaming speech-to-text модель, то есть распознавание речи на лету, пока человек ещё говорит.

Главная идея релиза: голосовой AI должен перестать быть «озвученным чат-ботом». Он должен стать интерфейсом к продукту — таким же рабочим, как кнопки, формы и поиск.

Почему это важно

До недавнего времени голосовые интерфейсы часто выглядели эффектно в демо, но ломались в реальных сценариях. Пользователь перебивает ассистента, меняет запрос на ходу, произносит сложное название, путает номер заказа, говорит с акцентом — и система начинает ошибаться.

Для простого голосового бота достаточно быстро распознать фразу и дать ответ. Но для полезного голосового агента этого мало. Ему нужно:

  • понимать, что человек на самом деле хочет сделать;
  • помнить предыдущие реплики;
  • корректно реагировать на перебивания;
  • вызывать внешние инструменты: календарь, CRM, поиск, базу заказов;
  • объяснять, что он делает;
  • не зависать молча, если что-то пошло не так;
  • подстраивать тон ответа под ситуацию.

Например, пользователь говорит: «Найди мне дом в пределах бюджета, не рядом с шумной дорогой, и запланируй просмотр на субботу». Это уже не вопрос-ответ. Это задача с несколькими условиями, внешними данными и действием в конце.

OpenAI как раз двигает Realtime API в эту сторону: от голосовых ответов к голосовым агентам, которые умеют работать.

GPT‑Realtime‑2: новая модель для голосовых агентов

Главная модель релиза — GPT‑Realtime‑2. OpenAI называет её первой голосовой моделью с reasoning уровня GPT‑5. Это значит, что она рассчитана не только на быстрые короткие ответы, но и на более сложные запросы, где нужно рассуждение, планирование и работа с контекстом.

Если GPT‑Realtime‑1.5 была шагом к более естественным голосовым приложениям, то GPT‑Realtime‑2 делает упор на агентность: модель должна не просто «говорить», а понимать задачу, использовать инструменты и доводить сценарий до результата.

Что изменилось по сравнению с GPT‑Realtime‑1.5

OpenAI приводит несколько конкретных улучшений.

Во-первых, увеличено окно контекста: с 32K до 128K токенов. Для голосовых агентов это важно, потому что реальные разговоры могут быть длинными. Пользователь может сначала объяснить ситуацию, потом уточнить детали, потом вернуться к началу. Чем больше контекст, тем меньше шанс, что модель забудет важные условия.

Во-вторых, улучшено поведение при работе с инструментами. GPT‑Realtime‑2 может выполнять параллельные tool calls — например, одновременно проверить календарь, найти заказ и запросить данные из базы. При этом разработчик может сделать действия модели слышимыми для пользователя: «Сейчас проверю календарь», «Ищу ваш заказ», «Секунду, уточняю доступное время».

Это мелочь только на первый взгляд. В голосовом интерфейсе молчание воспринимается хуже, чем в текстовом. Если ассистент пропал на несколько секунд, человек не понимает: он думает, завис или не услышал запрос. Короткие фразы-пояснения делают взаимодействие гораздо естественнее.

В-третьих, появилась настройка reasoning effort: minimal, low, medium, high и xhigh. По умолчанию используется low. Это позволяет разработчику выбирать баланс между скоростью и глубиной рассуждения. Для простых запросов вроде «повтори номер заказа» нужна минимальная задержка. Для сложной задачи вроде «спланируй поездку с учётом пересадки, задержки рейса и багажа» можно включить более высокий уровень рассуждения.

В-четвёртых, модель лучше работает с тоном. Она может говорить спокойнее при решении проблемы, эмпатичнее при раздражённом пользователе или бодрее при успешном завершении действия. Для колл-центров, медицины, образования и customer support это не косметика, а часть качества продукта.

Цифры производительности

OpenAI заявляет, что GPT‑Realtime‑2 показывает заметный прирост на аудио-бенчмарках.

По данным компании:

  • GPT‑Realtime‑2 в режиме high набирает на 15,2% больше на Big Bench Audio по сравнению с GPT‑Realtime‑1.5.
  • GPT‑Realtime‑2 в режиме xhigh показывает на 13,8% больше на Audio MultiChallenge по следованию инструкциям.

Big Bench Audio проверяет reasoning-возможности моделей, которые работают с аудиовходом. Audio MultiChallenge оценивает многотуровые голосовые диалоги: как модель удерживает контекст, выполняет инструкции, справляется с исправлениями и естественной речью.

Проще говоря: новая модель должна лучше понимать сложные голосовые запросы и меньше разваливаться в длинных диалогах.

GPT‑Realtime‑Translate: живой перевод речи

Вторая модель — GPT‑Realtime‑Translate. Она предназначена для сценариев, где люди говорят на разных языках, а система переводит речь в реальном времени.

Модель поддерживает более 70 входных языков и 13 выходных языков. Это может быть полезно для:

  • международной поддержки клиентов;
  • онлайн-образования;
  • мероприятий и конференций;
  • туристических приложений;
  • продаж между странами;
  • видеоплатформ и creator tools;
  • внутренних коммуникаций в международных командах.

Ключевой момент здесь — не просто «перевести текст». Модель должна успевать за говорящим, сохранять смысл, учитывать произношение, региональные особенности, контекст и профессиональные термины.

OpenAI приводит пример Deutsche Telekom, которая тестирует такие возможности для многоязычной поддержки. Также Vimeo показывает сценарий, где образовательное видео можно переводить вживую во время воспроизведения, без отдельного производства дубляжа для каждого языка.

Для глобальных продуктов это серьёзное упрощение. Вместо того чтобы заранее готовить локализованные версии контента, можно давать пользователю перевод на лету. Конечно, для юридически чувствительных материалов или маркетинговых роликов высокого уровня живой AI-перевод не всегда заменит профессиональную локализацию, но для поддержки, обучения и быстрых обновлений это очень практичный инструмент.

GPT‑Realtime‑Whisper: распознавание речи на лету

Третья модель — GPT‑Realtime‑Whisper. Это новая потоковая модель speech-to-text, которая транскрибирует речь во время разговора.

Классический сценарий распознавания речи часто выглядит так: пользователь сказал фразу, запись завершилась, аудио отправилось на сервер, модель вернула текст. Для многих задач это нормально. Но если нужны живые субтитры, голосовой агент или заметки со встречи в реальном времени, задержка становится критичной.

GPT‑Realtime‑Whisper решает именно эту задачу: текст появляется по мере речи.

Где это может пригодиться:

  • живые субтитры на встречах, лекциях и трансляциях;
  • заметки и summary во время звонка;
  • голосовые агенты, которым нужно постоянно понимать пользователя;
  • медицина, рекрутинг, продажи, поддержка;
  • обработка большого количества разговоров в компаниях;
  • интерфейсы доступности для людей с нарушениями слуха.

Важно, что Whisper в названии здесь не означает старую модель Whisper в прежнем виде. Это realtime-версия для потокового сценария, где скорость и непрерывность важнее, чем просто точная расшифровка готового файла.

Какие сценарии теперь становятся реалистичнее

OpenAI выделяет три паттерна голосовых AI-продуктов.

Первый — voice-to-action. Пользователь говорит, что ему нужно, а система не только отвечает, но и делает. Например: найти жильё, проверить доступность, забронировать встречу, изменить заказ, оформить заявку.

Второй — systems-to-voice. Приложение само превращает данные в голосовую подсказку. Например, тревел-сервис видит, что рейс задержан, но пересадка ещё возможна, и голосом сообщает: «У вас изменился гейт, я нашёл самый быстрый маршрут по терминалу, багаж должен успеть».

Третий — voice-to-voice. AI помогает людям говорить друг с другом через языковой или контекстный барьер. Например, клиент говорит на одном языке, оператор — на другом, а перевод идёт в реальном времени.

Самое интересное начинается, когда эти паттерны объединяются. Туристическое приложение может голосом искать билеты, менять бронирование после задержки рейса, подсказывать маршрут в аэропорту и переводить разговор с сотрудником отеля.

Для кого это обновление

В первую очередь — для разработчиков и компаний, которые строят голосовые продукты на OpenAI API.

Наиболее очевидные направления:

  • контакт-центры и customer support;
  • голосовые ассистенты внутри приложений;
  • travel tech;
  • недвижимость;
  • медицина и страхование;
  • образование;
  • HR и рекрутинг;
  • конференции и мероприятия;
  • сервисы транскрибации;
  • мультиязычные продукты;
  • платформы для видео и онлайн-курсов.

Для обычного пользователя это обновление пока менее прямое: речь идёт именно об API. Но эффект будет заметен в приложениях, где появятся более умные голосовые ассистенты, быстрые субтитры и живой перевод.

Безопасность и ограничения

OpenAI отдельно подчёркивает, что Realtime API включает защитные механизмы. Компания использует активные классификаторы во время realtime-сессий: если разговор нарушает правила безопасности, он может быть остановлен.

Разработчики также могут добавлять собственные guardrails через Agents SDK. Это особенно важно для голосовых агентов, потому что они могут выполнять действия: бронировать, отправлять данные, менять настройки, создавать заявки. Чем больше агент умеет, тем важнее контроль.

Также OpenAI напоминает: пользователям нужно ясно сообщать, что они взаимодействуют с AI, если это не очевидно из контекста. Это важный момент для колл-центров и голосовой поддержки. Маскировать AI под человека — плохая практика и потенциальный юридический риск.

Сколько стоит

Все три модели доступны через Realtime API.

Цены на момент анонса:

  • GPT‑Realtime‑2: $32 за 1 млн audio input tokens, $0.40 за 1 млн cached input tokens и $64 за 1 млн audio output tokens.
  • GPT‑Realtime‑Translate: $0.034 за минуту.
  • GPT‑Realtime‑Whisper: $0.017 за минуту.

Для разработчиков это означает, что стоимость нужно считать по сценарию. Голосовой агент с длинными разговорами и аудиоответами будет дороже простой транскрибации. Живой перевод тарифицируется по минутам, что проще для расчёта в продуктах вроде конференций, поддержки или образовательных платформ.

Как попробовать

Новые модели доступны в OpenAI Realtime API. Быстрее всего протестировать их можно через OpenAI Playground в разделе realtime audio:

https://platform.openai.com/audio/realtime

Для разработки понадобится аккаунт OpenAI Platform и API-ключ. Если вы хотите встроить модель в веб-приложение, OpenAI предлагает использовать WebRTC-сценарий: браузер получает доступ к микрофону, устанавливает realtime-соединение, отправляет аудио модели и получает голосовой ответ.

Базовый путь такой:

  1. Зарегистрироваться или войти в OpenAI Platform.
  2. Создать API-ключ.
  3. Открыть Playground и выбрать realtime audio.
  4. Протестировать GPT‑Realtime‑2 голосом.
  5. Для своего приложения подключить Realtime API через WebRTC или серверную интеграцию.
  6. При необходимости добавить tools: календарь, CRM, поиск, базу заказов или внутренние API.
  7. Настроить reasoning effort под сценарий: ниже для быстрых ответов, выше для сложных задач.

Важно: обычная подписка ChatGPT Plus сама по себе не является API-доступом. Для разработки нужен именно OpenAI API. А если вам нужен доступ к ChatGPT для личного использования, подписку можно искать через официальные способы оплаты или маркетплейсы вроде plati.market — но для API-интеграций всё равно потребуется ключ OpenAI Platform.

Итог

OpenAI выпустила не просто обновление голосовых моделей, а набор инструментов для нового поколения голосовых интерфейсов. GPT‑Realtime‑2 делает голосовых агентов умнее и устойчивее в сложных диалогах. GPT‑Realtime‑Translate добавляет живой перевод для многоязычных продуктов. GPT‑Realtime‑Whisper ускоряет транскрибацию и делает её пригодной для realtime-сценариев.

Главный сдвиг — голос становится не декоративной функцией, а рабочим способом управлять продуктом. Не «поговорить с ботом», а решить задачу: найти, проверить, перевести, записать, забронировать, объяснить и выполнить действие.

Если раньше голосовые ассистенты часто воспринимались как красивая, но ограниченная оболочка, то теперь OpenAI явно двигает их в сторону практических бизнес-инструментов. И именно здесь будет конкуренция ближайших лет: не у кого голос звучит приятнее, а чей агент лучше понимает задачу, быстрее действует и реже ломается в реальном разговоре.

Источник

OpenAI — Advancing voice intelligence with new models in the API

Автор материала

Антон Ветров Разработка сайтов, поисковая доступность, автоматизация и эксплуатация.