OpenAI wprowadza gpt-realtime-2.1 z niższym opóźnieniem i rozumowaniem w rozmowie głosowej

OpenAI udostępniło 6 lipca 2026 roku w swoim API dwa nowe modele do obsługi rozmów głosowych w czasie rzeczywistym: gpt-realtime-2.1 oraz gpt-realtime-2.1-mini. Firma deklaruje, że opóźnienie odpowiedzi spadło o co najmniej 25 procent w 95. percentylu pomiarów, co w praktyce oznacza mniej zauważalnych przerw w rozmowie z asystentem głosowym.

Nowa generacja modeli realtime zastępuje wprowadzony wcześniej gpt-realtime-2. Główna zmiana dotyczy sposobu przetwarzania dźwięku: model lepiej radzi sobie z rozpoznawaniem ciągów alfanumerycznych, czyli na przykład numerów zamówień czy adresów e-mail podawanych głosem, a także z odróżnianiem ciszy od szumu tła i z obsługą przerwań w trakcie wypowiedzi użytkownika.

Rozumowanie w rozmowie głosowej

Największą nowością jest wprowadzenie konfigurowalnego poziomu rozumowania do modeli głosowych. Deweloperzy mogą ustawić jeden z poziomów: minimalny, niski, średni, wysoki lub bardzo wysoki, w zależności od tego, czy priorytetem jest szybkość odpowiedzi, czy jakość wnioskowania. W modelu mini domyślnie ustawiony jest poziom niski, co ma zapewnić utrzymanie niskiego opóźnienia przy jednoczesnym dodaniu podstawowej zdolności do wieloetapowego rozumowania i korzystania z narzędzi.

To pierwszy raz, kiedy OpenAI wprowadza pełne rozumowanie do wariantu mini linii realtime. Wcześniej tańsze modele głosowe były ograniczone do prostszych zadań, bez możliwości wielokrokowego planowania odpowiedzi. Teraz gpt-realtime-2.1-mini ma obsługiwać bardziej złożone scenariusze przy zachowaniu tej samej ceny co poprzednia wersja bez rozumowania.

Zastosowania w biznesie

OpenAI wskazuje konkretne scenariusze biznesowe dla nowych modeli: obsługę klienta z wywoływaniem narzędzi w trakcie rozmowy, umawianie wizyt z dokładnym przechwytywaniem danych znak po znaku, głosowych asystentów wewnątrz aplikacji przy większym wolumenie połączeń oraz zbieranie danych w terenie, gdzie liczy się poprawne rozpoznawanie liczb i kodów podawanych ustnie.

Ceny pełnego modelu gpt-realtime-2.1 wynoszą 4 USD za milion tokenów tekstowych na wejściu i 32 USD za milion tokenów audio na wejściu, a na wyjściu odpowiednio wyższe stawki dla dźwięku, sięgające 64 USD za milion tokenów. Wariant mini jest tańszy o rząd wielkości, z tekstem wejściowym za 0,60 USD i audio wejściowym za 10 USD za milion tokenów.

Konkurencja w segmencie głosowym

Segment modeli głosowych czasu rzeczywistego zyskuje na znaczeniu wraz z rosnącą popularnością agentów obsługujących klientów przez telefon i aplikacje. OpenAI od dłuższego czasu rywalizuje w tym obszarze z rozwiązaniami głosowymi innych dostawców, a obniżenie opóźnienia jest tu kluczowym parametrem konkurencyjnym, bo nawet niewielkie zwłoki w odpowiedzi są łatwo wyczuwalne przez rozmówcę i sprawiają wrażenie sztuczności rozmowy.

Dla polskich firm budujących infolinie głosowe lub asystentów w aplikacjach mobilnych nowe modele oznaczają możliwość obsługi bardziej złożonych zapytań bez przechodzenia na droższy, pełny wariant. Może to obniżyć koszt wdrożeń w call center czy systemach rezerwacyjnych, gdzie do tej pory ograniczeniem była właśnie niska jakość rozumowania w tańszych modelach głosowych.

Dostęp do obu modeli jest już otwarty dla deweloperów korzystających z API OpenAI, bez konieczności zapisywania się na listę oczekujących. Ogłoszenie zostało opublikowane na forum społeczności deweloperskiej OpenAI oraz w oficjalnym changelogu API, bez towarzyszącej konferencji prasowej.

Źródła: MarkTechPost (marktechpost.com), Let's Data Science (letsdatascience.com)