OpenAI apresenta três novos modelos de áudio para agentes de voz em tempo real
A OpenAI anunciou nesta quinta-feira, dia 7, o lançamento de três modelos de áudio voltados para sua plataforma de desenvolvedores, com o objetivo de tornar agentes de software baseados em voz mais conversacionais e capazes de realizar tarefas em tempo real. Os novos modelos receberam os nomes de GPT-Realtime-2, GPT-Realtime-Translate e GPT-Realtime-Whisper, e já estão disponíveis para testes no playground de desenvolvedores da empresa. O movimento representa uma expansão significativa das capacidades da criadora do ChatGPT, que agora vai além da simples transcrição e do chat por texto, passando a oferecer ferramentas para que agentes virtuais possam ouvir, traduzir e agir durante conversas ao vivo.
O lançamento foi realizado por meio de uma interface de programação de aplicações, conhecida pela sigla API — um conjunto de rotinas e padrões que permite a desenvolvedores integrar funcionalidades de inteligência artificial em seus próprios produtos e serviços. Com essa nova oferta, a OpenAI busca atender a uma demanda crescente do mercado por soluções de voz mais sofisticadas, capazes de interagir de forma natural com usuários em diferentes contextos, como atendimento ao cliente, educação e reuniões corporativas.
O primeiro dos três modelos, o GPT-Realtime-2, foi projetado para lidar com solicitações mais complexas durante interações por voz. Diferente de soluções anteriores, ele é capaz de chamar ferramentas externas durante a conversa, gerenciar interrupções de forma fluida e manter o contexto ao longo de sessões de voz mais longas. Isso significa que um agente virtual construído com esse modelo pode, por exemplo, acessar um banco de dados enquanto fala com o usuário, pausar para processar uma resposta e retomar a conversa sem perder o fio da meada, comportamento que se aproxima bastante da dinâmica de uma conversa humana real.
Já o segundo modelo, chamado GPT-Realtime-Translate, é focado em tradução simultânea e suporta a conversão de mais de 70 idiomas de entrada para 13 idiomas de saída. A ferramenta foi pensada para cenários como suporte ao cliente internacional, aulas em ambientes multilíngues e qualquer situação em que a barreira linguística precise ser superada em tempo real. A possibilidade de traduzir falas ao vivo, sem a necessidade de interromper a comunicação, representa um avanço importante para empresas que operam em mercados globais e precisam oferecer atendimento em diferentes línguas de forma eficiente.
O terceiro modelo, o GPT-Realtime-Whisper, oferece conversão de fala para texto em tempo real. Enquanto uma pessoa fala, o sistema é capaz de transcrever as palavras simultaneamente, permitindo a geração de legendas ao vivo, notas de reuniões automáticas e atualizações de fluxos de trabalho de forma instantânea. Essa funcionalidade tem aplicações práticas em diversos setores, desde a criação de acessibilidade para pessoas com deficiência auditiva até a documentação de encontros corporativos sem a necessidade de um profissional dedicado à transcrição manual.
Entre os clientes que já estão testando os novos modelos estão empresas de destaque no mercado. O marketplace imobiliário online Zillow, a agência de viagens online Priceline e a empresa europeia de telecomunicações Deutsche Telekom figuram entre as organizações que avaliam as capacidades das novas ferramentas de áudio da OpenAI. A participação dessas companhias indica que os modelos têm potencial de aplicação em setores variados, como imobiliário, turismo e telecomunicações, onde a comunicação por voz desempenha um papel central na relação com os consumidores.
No que diz respeito aos preços, a OpenAI definiu valores diferenciados para cada modelo. O GPT-Realtime-2 tem seu custo inicial fixado em 32 dólares por milhão de tokens de entrada de áudio, o que equivale a aproximadamente 158 reais na cotação atual. Já o GPT-Realtime-Translate é cobrado a 0,034 dólar por minuto, cerca de 17 centavos de real, enquanto o GPT-Realtime-Whisper custa 0,017 dólar por minuto, aproximadamente 8 centavos de real. A estrutura de preços variada permite que desenvolvedores e empresas escolham o modelo mais adequado às suas necessidades e orçamentos, tornando a tecnologia acessível tanto para grandes corporações quanto para projetos menores.
Esses novos modelos se inserem em um contexto mais amplo de evolução da inteligência artificial voltada para processamento de áudio e voz. Nos últimos anos, o mercado de assistentes virtuais e agentes conversacionais tem crescido de forma acelerada, impulsionado pela demanda por experiências de usuário mais naturais e fluidas. A possibilidade de que agentes de software mantenham diálogos por voz com capacidade de compreensão contextual, tradução simultânea e transcrição em tempo real representa um passo importante rumo à integração mais profunda entre seres humanos e sistemas de inteligência artificial no cotidiano.
A articuladora dessas inovações, a OpenAI, também tem sido alvo de rumores sobre uma possível expansão para o mercado de hardware. De acordo com o analista de cadeia de suprimentos Ming-Chi Kuo, a empresa pode estar desenvolvendo seu primeiro smartphone, voltado ao ChatGPT, com produção em massa prevista para o início de 2027. Embora essas informações ainda não tenham sido confirmadas oficialmente, o possível lançamento de um dispositivo físico sugere que a OpenAI pretende ir além do software e oferecer uma experiência integrada entre seus modelos de inteligência artificial e equipamentos dedicados.
Com a apresentação desses três modelos de áudio, a OpenAI reforça sua posição como uma das lideranças do setor de inteligência artificial e demonstra que está investindo fortemente em tornar a interação por voz uma prioridade estratégica. Os desdobramentos desse lançamento devem ser acompanhados de perto, especialmente considerando que os modelos já estão em fase de testes com empresas parceiras de diferentes segmentos. Caso os resultados confirmem as expectativas, a tendência é que agentes de voz baseados nessa tecnologia se tornem cada vez mais presentes no atendimento ao consumidor, na educação a distância e em ambientes corporativos ao redor do mundo.
