Yapay zeka devi OpenAI, uygulama geliştiricilerin projelerine entegre edebileceği gelişmiş ses işleme araçlarını duyurdu; bu yeni sistemler sayesinde makineler artık karmaşık diyalogları anlık olarak yönetebilecek ve çok dilli çeviri yapabilecek.
Yapay zeka teknolojilerinde çıtayı yükseltmeye devam eden OpenAI, Realtime API çatısı altına eklediği üç yeni model ile sesli iletişimdeki sınırları zorluyor. GPT-5 seviyesindeki akıl yürütme kapasitesiyle dikkat çeken GPT-Realtime-2, kullanıcılara daha doğal ve gerçekçi bir sohbet deneyimi sunmayı hedefliyor.
Sesli etkileşimde yeni dönem
Geliştiriciler için sunulan GPT-Realtime-2, önceki sürümlere kıyasla kıvrak zekasıyla öne çıkıyor. Özellikle Big Bench Audio testlerinde %15,2 oranında daha yüksek performans sergileyen model, 32K olan bağlam penceresini 128K'ya taşıyarak uzun süreli görüşmelerde kopukluk yaşanmasının önüne geçiyor. Model, aynı anda birden fazla aracı tetikleme yeteneğiyle, kullanıcının talebi üzerine arka planda araştırma yaparken bir yandan da süreci sesli olarak raporlayabiliyor.
Çeviri ve transkripsiyonda anlık çözüm
OpenAI, sesli etkileşimi tek bir noktadan yönetmek isteyenler için GPT-Realtime-Translate ve GPT-Realtime-Whisper araçlarını da hizmete sundu. Özellikle eş zamanlı çeviri konusunda iddialı olan Translate özelliği, 70 dili analiz edebilirken 13 dilde sesli yanıt üretebiliyor. Whisper ise toplantı notları veya canlı yayınlar gibi düşük gecikme süresi gerektiren alanlarda, konuşmaları anında metne dökerek kullanıcıya sunuyor.
Güvenlik ve maliyet yapısı
Sistemlerin ticari kullanımı için farklı bir fiyatlandırma modeli benimseyen şirket, çeviri ve transkripsiyon hizmetlerini dakika bazlı, GPT-Realtime-2'yi ise token tüketimi üzerinden ücretlendiriyor. Gelişmiş yeteneklerin kötüye kullanımını engellemek amacıyla bir dizi koruma mekanizmasını da sisteme dahil eden OpenAI, zararlı içerik veya spam girişimi tespit edildiğinde konuşmayı otomatik olarak kesebilen tetikleyicilerle güvenlik önlemlerini sıkı tutuyor. Eğitim ve medya dünyası başta olmak üzere pek çok sektörde verimliliği artırması beklenen bu özellikler, sesli arayüzleri standart bir soru-cevap formatından çıkarıp, karmaşık işleri yürütebilen akıllı asistanlar seviyesine taşıyor.
