Os agentes de voz têm sido caros de operar e difíceis de orquestrar, não porque os modelos não consigam lidar com conversas, mas porque os limites de contexto forçaram as empresas a criar redefinições de sessão, compactação de estado e camadas de reconstrução em cada implantação. Os três novos modelos de voz da OpenAI foram projetados para reduzir essa sobrecarga e mudam a forma como os engenheiros podem pensar sobre a integração da voz em uma pilha maior de agentes.
GPT-Realtime-2, GPT-Realtime-Translate e GPT-Realtime-Whisper integram áudio em tempo actual na pilha de gerenciamento de modelo como primitivas de orquestração discretas – separando o raciocínio conversacional, a tradução e a transcrição em componentes especializados, em vez de agrupá-los em um único produto de voz.
A empresa disse em uma postagem no blog que o Realtime-2 é seu primeiro modelo de voz “com raciocínio de classe GPT-5” e pode lidar com solicitações difíceis e manter as conversas fluindo naturalmente. O Realtime-Translate entende mais de 70 idiomas e os traduz para outros 13 no ritmo do locutor, e o Realtime-Whisper é seu novo modelo de transcrição de fala para texto.
Essas três ações não ficam mais dentro de uma única pilha ou modelo. O GPT-Realtime-2 poderia tecnicamente lidar com a transcrição, mas o OpenAI está encaminhando tarefas distintas para modelos especializados: Realtime-Translate para fala multilíngue e Realtime-Whisper para transcrição. As empresas podem atribuir cada tarefa ao modelo apropriado, em vez de encaminhar tudo através de um sistema de voz único e abrangente.
Os novos modelos OpenAI competem com os modelos Voxtral da Mistral, que também separam a transcrição e visam casos de uso corporativo.
O que as empresas devem fazer
Mais empresas estão percebendo o valor dos agentes de voz agora que mais pessoas estão se sentindo confortáveis conversando com um agente de IA, e também devido à riqueza de dados das interações de voz com os clientes.
As organizações que avaliam esses modelos precisarão considerar sua arquitetura de orquestração, não apenas a qualidade do modelo – especificamente, se sua pilha pode rotear tarefas de voz discretas para modelos especializados e gerenciar o estado em uma janela de contexto de 128 mil tokens.
