20 марта 2025 года OpenAI представила революционные обновления в области обработки аудио через свой API. Новое поколение моделей speech-to-text и text-to-speech открывает возможности для создания голосовых агентов с расширенным функционалом — от точной транскрибации в сложных условиях до персонализации голосовых характеристик.
Почему это важно для разработчиков?
Последние месяцы компания фокусировалась на улучшении текстовых агентов, но теперь смещает акцент на голосовые взаимодействия. Согласно заявлению OpenAI, именно естественная устная коммуникация станет ключом к созданию по-настоящему полезных AI-систем.
Speech-to-text: новый стандарт точности
Модели gpt-4o-transcribe и gpt-4o-mini-transcribe установили рекорд в снижении Word Error Rate (WER) — метрики ошибок распознавания речи:
- На 18% лучше предыдущих версий Whisper в условиях шума
- Поддержка 100+ языков в тестах FLEURS
- Улучшенное распознавание акцентов и быстрой речи
Это делает модели особенно актуальными для:
- Кол-центров с многоязычной поддержкой
- Автоматизации расшифровки встреч
- Медицинской документации с голосовым вводом
Text-to-speech: голос с характером
Инновация API — возможность задавать стиль голоса через текстовые инструкции. Примеры использования:
- “Говори как заботливый медицинский работник”
- “Озвучь текст в стиле средневекового рыцаря”
- “Создай напряженную атмосферу для подкаста true crime”
Технология основана на улучшенных алгоритмах reinforcement learning и обучении на разнообразных аудиодатасетах. Разработчики уже тестируют её в креативных проектах — от аудиокниг с динамичными персонажами до адаптивных голосовых помощников.
Сравнение с конкурентами
В тестах на многоязычных данных FLEURS модели OpenAI показали:
- На 12% меньше ошибок, чем у Gemini-2
- В 2.3 раза выше скорость обработки по сравнению с Whisper v3
- Снижение задержки в реальном времени на 40%
Обновления доступны всем разработчикам через OpenAI API. Компания также анонсировала планы по интеграции этих моделей в экосистему ChatGPT Enterprise для корпоративных решений.
