🎧 OpenAI выпустила три новых голосовых модели с уровнем рассуждений GPT-5

OpenAI представила GPT-Realtime-2, GPT-Realtime-Translate и GPT-Realtime-Whisper - новое поколение голосовых моделей, способных рассуждать, переводить и транскрибировать в реальном времени. Компания заявила, что прежние голосовые модели были значительно слабее текстовых, особенно в задачах, требующих глубокого анализа. Теперь голос становится полноценным интерфейсом.

Центральная модель - GPT-Realtime-2 - приносит в голосовые диалоги уровень рассуждений, сопоставимый с GPT-5. Контекстное окно выросло с 32 000 до 128 000 токенов, что позволяет вести более длинные и сложные беседы. Модель умеет вызывать несколько инструментов параллельно и сообщать о ходе работы фразами вроде «дайте проверить». При ошибках она не замолкает, а говорит «у меня сейчас с этим трудности». Разработчики могут настраивать интенсивность рассуждений по пяти уровням - от минимального до максимального. На высоком уровне точность на бенчмарке Big Bench Audio достигла 96,6% против 81,4% у предшественника.

GPT-Realtime-Translate - отдельная модель для живого перевода, поддерживающая более 70 входных и 13 выходных языков. Она сохраняет смысл даже при смене контекста, региональных акцентах и специальной лексике. GPT-Realtime-Whisper - модель для потоковой транскрипции, подходящая для субтитров на встречах, в классах и на трансляциях. Все три модели доступны через Realtime API. Цены: GPT-Realtime-2 - $32 за миллион аудиовходных токенов, GPT-Realtime-Translate - $0,034 за минуту, GPT-Realtime-Whisper - $0,017 за минуту.

#Ai #OpenAI #VoiceModels #RealtimeAPI

⚙️ iFLYTEK представила речевую модель SparkAudio 1.0 и платформу Robot Super Brain 3.0

На фестивале Global 1024 Developer Festival iFLYTEK раскрыла архитектуру SparkAudio 1.0 - единой речевой фундаментальной модели, объединяющей распознавание речи, машинный перевод и семантическое понимание. В основе лежит плотный аудиоэнкодер на 0,65 млрд параметров и языковая MoE-модель 30B-A3B, обученные на 13 млн часов аудио и крупных текстовых корпусах на отечественных ускорителях, включая Huawei Ascend 910B и Hygon BW1000.

Модель поддерживает распознавание речи на 99 языках и 202 диалектах, а также разделение говорящих в реальном времени, понимание окружающих звуков, распознавание эмоций и синхронный перевод. По данным компании, полуавтономный аудиодекодер повышает точность на 20%, динамическое сегментированное моделирование сокращает задержку на 15%, а совместное декодирование снижает стоимость на 60%. SparkAudio 1.0 уже работает во вводе iFLYTEK 16.0, «iFLYTEK Hearing», умных блокнотах и переводчиках.

Второй релиз - Robot Super Brain Platform 3.0: плата Spark super brain, модуль мультимодального взаимодействия и набор для разработки воплощённого ИИ, плюс программный харнесс, координирующий устройство и облако. Демонстрация прошла в круглосуточном магазине без персонала.

🎨 qvabo.studio/tg · картинки и видео

#Tech #Release #iFLYTEK #AI #VoiceModels #Robotics #MoE