О, ответочка по голосу от OpenAI: GPT-Realtime-2, GPT-Realtime-Translate и GPT-Realtime-Whisper. GPT-Realtime-2 – первая голосовая модель с ризонингом класса GPT-5 Напихали кучу всего: - Preambles – модель может сказать "секунду, проверяю" перед основным ответом, чтобы юзер понимал, что агент работает - Параллельные tool calls с озвучкой действий ("смотрю в календарь", "ищу сейчас") - Грейсфул recovery – модель говорит "у меня сейчас сложности с этим", а не падает в тишину - Контекстное окно увеличено с 32K до 128K токенов - Управляемый уровень ризонинга – minimal/low/medium/high/xhigh, по умолчанию low - Лучше держит специализированную терминологию, имена собственные, медицинские термины - Тоном можно управлять явно – спокойный при разрешении проблемы, эмпатичный при фрустрации На Big Bench Audio модель в режиме high даёт 96.6% против 81.4% у GPT-Realtime-1.5 (+15.2 п.п.). На Audio MultiChallenge для instruction following – 48.5% против 34.7% (+13.8 п.п.) в режиме xhigh. Zillow в раннем тестировании получил рост успешности звонков на 26 пунктов – 95% против 69% после оптимизации промптов на их бенчмарке. GPT-Realtime-Translate – синхронный перевод Живой перевод речи в речь – 70+ языков на вход, 13 на выход. Блин, я не смог найти, какие языки поддерживаются. Надеюсь русский есть. GPT-Realtime-Whisper – стриминговая транскрипция Speech-to-text с низкой задержкой, текст появляется по ходу речи. Под live-сабтайтлы на встречах и трансляциях, заметки в процессе разговора, голосовых агентов с непрерывным пониманием пользователя. Цены гуманные: - GPT-Realtime-2 – $32 / 1M audio input ($0.40 за cached input), $64 / 1M audio output, на уровне конкурентов - GPT-Realtime-Translate – $0.034 / минута - GPT-Realtime-Whisper – $0.017 / минута Надо тестить. https://openai.com/index/advancing-voice-intelligence-with-new-models-in-the-api/