OpenAI-dan Söhbət Modelinin Yeni Nəsli: gpt-realtime

OpenAI süni intellekt sahəsində son yeniliyini - gpt-realtime adlı yeni danışıq modelini təqdim etdi. Bu model həm daha inkişaf etmiş, həm də daha əlverişli xüsusiyyətlərə malikdir. Oktyabr 2024-cü ildə Realtime API-nin buraxılışından bəri minlərlə proqramçı tətbiqlərində təbii danışıq təcrübəsi yaratdı. İndi isə bu təcrübəni daha da yüksək səviyyəyə qaldıran gpt-realtime modeli elan edilib.

Yeni modelin ən diqqətəlayiq xüsusiyyətlərindən biri mürəkkəb əmrləri daha yaxşı başa düşmək və yerinə yetirmək qabiliyyətidir. Şirkətin məlumatına görə, modelin səhv nisbəti, məsələn, maşın çağırmaq kimi tapşırıqlarda azalıb. Bundan əlavə, yaratdığı səslərin daha təbii və ifadəli olduğu bildirilir. Əvvəlki modellərə nisbətən proqramçılar tərəfindən istifadə olunan sistem mesajlarını və əmrlərini daha dəqiq şərh edir.

Realtime API əvvəlcə altı səs variantı təklif edirdi. OpenAI indi Marin və Cedar adlı iki yeni səs əlavə edərək, ümumi səs sayını ona çatdırdı. Mövcud səkkiz səsin hamısı daha təbii və axıcı danışıq təcrübəsi təmin etmək üçün yenilənib. Yeni model performans testlərində də əvvəlki versiyanı üstələyir. Big Bench Audio testində 82.8% dəqiqlik əldə edərək, əvvəlki modelin 65.6% nəticəsini geridə qoyub. MultiChallenge Audio Benchmark testində isə 20.6% nəticəsini üstələyərək 30.5% əldə edib.

Yeni model Realtime API-yə də yeniliklər əlavə edir. İndi uzaq MCP serverlərini, vizual girişi və SIP (Session Initiation Protocol) vasitəsilə telefon zənglərini dəstəkləyir. Proqramçılar tez-tez istifadə olunan əmrləri indi saxlaya və yenidən istifadə edə bilərlər. Bütün bu yaxşılaşdırmalara baxmayaraq, OpenAI Realtime API-nin qiymətini aşağı salıb. gpt-realtime modeli əvvəlki gpt-4o-realtime-preview-dan 20% ucuzdur. 1 milyon səs girişi tokeni indi 32$, 1 milyon səs çıxışı tokeni isə 64$-dır.