आर्टिफ़िशियल इंटेलिजेंस (AI) के क्षेत्र में एक बड़ा कदम उठाते हुए OpenAI ने नया स्पीच जनरेशन सिस्टम GPT-Realtime लॉन्च किया है। यह मॉडल मुख्य रूप से कंपनियों के लिए डिज़ाइन किया गया है और बेहद कम समय में स्वाभाविक, दो-तरफ़ा वॉइस बातचीत की सुविधा देता है। पुराने सिस्टम, जो अलग-अलग स्पीच-टू-टेक्स्ट और टेक्स्ट-टू-स्पीच टूल्स पर निर्भर थे, उनकी तुलना में यह मॉडल सीधे भाषण को प्रोसेस कर सकता है और तेज़ी से प्रतिक्रिया देता है।
OpenAI के अनुसार, GPT-Realtime अपने पिछले संस्करणों की तुलना में अधिक स्पष्ट और स्वाभाविक आवाज़ें पैदा करता है। इसमें कुछ नए फीचर्स भी शामिल हैं, जैसे हँसी जैसी ध्वनियों को पहचानना, बातचीत के दौरान भाषाओं के बीच स्विच करना और वक्ता के लहजे (tone) के अनुसार ढल जाना। डेवलपर्स टेक्स्ट इंस्ट्रक्शन के ज़रिए वॉइस आउटपुट को निर्देशित कर सकते हैं, जिससे यह और अधिक अभिव्यंजक (expressive) बनता है।
हेलो सीडर और मारिन
दो नई आवाज़ें—सीडर (पुरुष) और मारिन (महिला)—पेश की गई हैं, साथ ही मौजूदा आठ आवाज़ों में भी अपडेट किए गए हैं। सिस्टम अंग्रेज़ी के अलावा चीनी, फ़्रेंच, जापानी और स्पेनिश में संख्याओं और कोड्स को भी समझ सकता है। आंतरिक परीक्षणों में यह मॉडल दिसंबर 2024 के संस्करण से बेहतर साबित हुआ है—जहाँ इसकी सटीकता 82.8 प्रतिशत रही, जबकि पहले यह केवल 65.6 प्रतिशत थी।
स्मार्ट क्षमताएँ: इमेज विश्लेषण, टूल इंटीग्रेशन और MCP कनेक्टिविटी
एक और नई सुविधा यह है कि यह मॉडल अब तस्वीरों को पढ़ और विश्लेषित कर सकता है, जो विज़ुअल कॉन्टेक्स्ट वाली स्थितियों में उपयोगी है। यह टूल्स के उपयोग का भी समर्थन करता है और मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP) के ज़रिए रिमोट सर्वरों के साथ काम कर सकता है।
GPT-Realtime अब रियलटाइम API के माध्यम से उपलब्ध है, जो बीटा से बाहर आ चुका है और सभी डेवलपर्स के लिए खुला है। इसकी शुरुआती कीमत $32 (लगभग ₹2,800) प्रति मिलियन इनपुट टोकन और $64 (लगभग ₹5,600) प्रति मिलियन आउटपुट टोकन रखी गई है। कैश्ड इनपुट्स पर कीमतें काफ़ी कम होंगी
