OpenAI-მ, საკუთარი 6 ივლისის განცხადების თანახმად, Realtime API-ის ხაზს ორი განახლებული მოდელი დაუმატა — ისინი ორიენტირებულია დეველოპერებზე, რომლებიც ხმოვან აგენტებსა და საუბრის რეჟიმში მომუშავე სხვა აპლიკაციებს ქმნიან.
სწრაფი პასუხები
მთავარი სიახლე სისწრაფეა: OpenAI-ის თანახმად, განახლება p95 დაყოვნებას — ანუ მოთხოვნების ყველაზე ნელი 5%-ის საპასუხო დროს — გაუმჯობესებული ქეშირების ხარჯზე მინიმუმ 25%-ით ამცირებს. ხმოვანი აგენტებისთვის, სადაც მცირე პაუზაც კი საუბრის ცოცხალ განცდას არღვევს, სწორედ ეს არის განახლების მთავარი უპირატესობა.
რა შეიცვალა
დაყოვნებაზე მუშაობის პარალელურად, OpenAI-ის განცხადებით, GPT-Realtime-2.1 ასოთაცხრილების — ტელეფონის ნომრების, შეკვეთის კოდებისა და მსგავსი სტრიქონების — უფრო საიმედო ამოცნობას, ასევე სიჩუმის, ფონური ხმაურისა და საუბრის შეწყვეტის უკეთ დამუშავებას სთავაზობს. მოდელს აქვს დარეგულირებადი მსჯელობის დონე, ინსტრუქციების შესრულებისა და ხელსაწყოების გამოძახების მხარდაჭერა — ეს დეველოპერებს საშუალებას აძლევს, კონკრეტული ამოცანისთვის დაყოვნება და პასუხის ხარისხი ერთმანეთს დაუპირისპირონ.
მასთან ერთად გამოვიდა მცირე ზომის მოდელიც — GPT-Realtime-2.1-mini, დისტილირებული ვერსია, რომელიც შექმნილია სწრაფი და იაფი ხმოვანი ინტერაქციებისთვის, სადაც სიჩქარე და ფასი შესაძლებლობებზე მეტ როლს თამაშობს.
ფასი
OpenAI-ის დოკუმენტაციის თანახმად, GPT-Realtime-2.1-ის ფასია $32 მილიონ აუდიო-შეყვანის ტოკენზე და $64 მილიონ აუდიო-გამოტანის ტოკენზე (ტექსტისთვის — შესაბამისად $4 და $24). mini ვერსია დაახლოებით ხუთჯერ იაფია: $10 მილიონ აუდიო-შეყვანის ტოკენზე და $20 მილიონ აუდიო-გამოტანის ტოკენზე. ორივე მოდელს 128,000 ტოკენიანი კონტექსტის ფანჯარა აქვს.
ხელმისაწვდომობა
ორივე მოდელი უკვე ხელმისაწვდომია v1/realtime endpoint-ზე და მათი გამოცდა პირდაპირ შესაძლებელია OpenAI-ის დეველოპერული პლატფორმის Realtime Playground-ში.