OpenAI je u posljednje vrijeme prešao u višu brzinu, sipao je novosti jednu za drugom, a razvoj tvrtke prilično dobro napreduje. Nakon GPT-a-5.5 i ChatGPT Images 2.0 sada je na scenu stupila nova generacija modela GPT-Realtime, koja se sastoji od nekoliko različitih podvarijanti.
GPT-Realtime-2 općeniti je audiomodel koji će omogućiti prirodniji razgovor nego ikad prije. GPT-Realtime-Translate, kako mu ime kaže, briljirat će u prevođenju između jezika. GPT-Realtime-Whisper pak je izoštren za pretvaranje govora u tekst.
Predvodnik fronte umjetne inteligencije, po svemu sudeći, na svakom području nastoji jasno pokazati da je Google možda jak, ali inicijativa je još uvijek u rukama OpenAI-ja. Tvrtkin dosadašnji glasovni model već je bio vrlo jak, no s GPT-Realtime-2 nastalo je prvo rješenje koje se već može smatrati razinom GPT-a-5. Tijekom razgovora može u stvarnom vremenu odgovarati i na teža, složenija pitanja, a općenito će mu rad biti još izravniji kako bi djelovao prirodnije.
Model GPT-Realtime-2 osmišljen je za situacije u kojima se odgovori, radnje i zaključivanje moraju odvijati istovremeno, bez prekidanja tečnog razgovora. Novitet će moći razumjeti i obraditi čak i složene upute, no naravno, i za to je u pozadini potreban velik računalni kapacitet, a bit će situacija u kojima se zamisli, ali će i za to imati popunjavajući tekst. Za dobivanje na vremenu moći će reći “to je izvrsno pitanje, dopusti mi da promislim o odgovoru”.
S modelom GPT-Realtime-2 moći će se bez problema voditi i dulji razgovori jer je kontekstni prozor s ranijih 32 tisuće tokena narastao na 128 tisuća tokena. Alat će pokazati i ozbiljan napredak kada u stručnom razgovoru mora snaći uz uporabu stručnih izraza. Glas modela bit će bolje oblikovljiv nego ikad, a govor izražajniji. Razinu zaključivanja partneri će moći birati prema potrebi (minimal, low, medium, high, xhigh).
U testu Big Bench Audio, prema riječima OpenAI-ja, GPT-Realtime-2 postao je mnogo jači od prethodne verzije, GPT-Realtime-1.5. Na visokoj razini zaključivanja postigao je rezultat od 96,6 posto, tamo gdje je njegov prethodnik uspio skupiti samo 81,4%. U sklopu testa Audio MultiChallenge tvrtka je istaknula koliko se poboljšalo slijeđenje uputa. Alat je prije uspijevao ostvariti samo 34,7%, a novi glasovni model završio je s 48,5 posto.
GPT-Realtime-Translate već će se pokazati kao izvrstan tumač, u stvarnom će vremenu moći prevoditi komunikaciju između različitih jezika. Prema potrebi će uz audioizlaz davati i tekst kako bi razgovor tekao još sigurnije i pouzdanije. Time se eventualne pogreške u prijevodu lako mogu otkriti.
Novi GPT-Realtime-Translate na ulaznoj strani podržava više od 70 jezika, dok je izlaz za sada osiguran samo na 13 jezika. Ovaj audiomodel navodno vrlo dobro podnosi i različite naglaske i regionalne dijalekte. Prema OpenAI-ju, to će dobro doći uz korisničku podršku i u obrazovanju, pograničnoj komunikaciji i na međunarodnim događanjima. Deutsche Telekom navodno već na tome gradi višejezičnog asistenta.
GPT-Realtime-Whisper pak može tečno titlovati ono što čuje i radit će uz minimalno kašnjenje. Time može pomoći korisnicima, primjerice, pri izradi glasovnih bilješki. Ovaj model može biti savršen izbor kao osnova modernih aplikacija za diktafon, može izraditi izvrsnu transkripciju sastanaka, ali može pomoći i na nastavi, a mogućnosti primjene mogli bismo nabrajati dalje.
Trio novih modela dostupan je putem ranije uvedenog OpenAI-jeva Realtime API-ja. Za GPT-Realtime-2 obrada milijun audiotokena košta 32 dolara, dok isto na izlaznoj strani stoji 64 dolara. Za GPT-Realtime-Whisper i GPT-Realtime-Translate cijena je navedena po minuti: model Whisper košta 0,017 dolara, a Translate 0,034 dolara po minuti.
