OpenAIは、コンテンツモデレーションを新しいモデルに組み込んだと述べています。有害なコンテンツガイドラインに違反すると検出された会話を停止するトリガーがあります。同社は、これらのガードレールをスパム、詐欺、その他の形態の乱用からの保護として位置づけています。

OpenAIは、推論、翻訳、ライブでの文字起こしを行う音声モデルを出荷

OpenAIは水曜日、APIにおいて新しい世代の音声モデルをリリースし、開発者が音声によるリクエストを推論し、70以上の言語間で翻訳し、発生した瞬間に音声を文字起こしするアプリを構築するためのツールを提供しました。

GPT-Realtime-2が音声に sharper な推論をもたらす

GPT-Realtime-⟦N1⟧は、音声におけるより鋭敏な推論をもたらします

Big Bench Audio（音声知能のベンチマーク）で15.2%高いスコアを記録し、マルチターン音声対話における指示の遵守能力をテストするAudio MultiChallengeでも13.8%高いスコアを達成しました。

GPT-Realtime-2がフラッグシップモデルです。OpenAIは、GPT-5クラスの推論を提供し、前世代のGPT-Realtime-1.5から大幅に進歩したと述べています。

実用的なアップグレードは、本番環境の音声エージェントを構築する開発者向けです。このモデルは、以前の32Kの制限の4倍となる128Kのコンテキストウィンドウをサポートし、「最小」から「xhigh」まで5段階の調整可能な推論強度を提供します。

複数のツールを同時に呼び出し、音声による確認でエラーから回復し、リクエストを処理している間に「確認します」などの短いブリッジフレーズを生成できます。

GPT-Realtime-Whisperはストリーミング音声テキスト変換（STT）を提供し、発話が完了するのを待つのではなく、話されている単語をリアルタイムで文字起こしします。

ZillowとDeutsche Telekomが本番環境でモデルをテスト

複数の企業が早期アクセスを取得しました。Zillowは複雑な不動産クエリを処理し、物件検索のためのツール呼び出しを行い、公平住宅法（Fair Housing）に準拠する音声アシスタントを構築しています。

同社は、GPT-Realtime-2によるプロンプト最適化後、最も困難な敵対的ベンチマークにおいて通話成功率が26ポイント向上し、以前の69%から95%に達したと報告しました。

このモデルは、音声知能のベンチマークであるBig Bench Audioで15.2%高く、マルチターン音声対話における指示のフォローをテストするAudio MultiChallengeで13.8%高いスコアを記録しました。

Pricelineは、フライト検索、ホテルの変更、現場での翻訳を1つのセッションで管理できる音声ベースの旅行アシスタントを検討しています。

これらのモデルはカスタマーサービス機能を拡大したい企業を対象としていますが、教育、メディア、イベント、クリエイタープラットフォームなどでの潜在的な応用にも言及しています。

ドイツテレコムは、カスタマーサポートでのリアルタイム翻訳をテストしており、通話者は希望する言語で話すことができ、モデルが両側の変換を処理します。

料金体系について、TranslateおよびWhisperモデルは1分あたりで課金されます。GPT-Realtime-2はトークン消費量で課金されます。これら3つはすべて、WebRTC、WebSocket、SIP接続方法を通じてアクセス可能なOpenAIのRealtime APIを通じて利用可能です。