OpenAI, GPT-Realtime-2 ve Yeni Ses Modellerini Duyurdu

OpenAI, gerçek zamanlı sesli yapay zeka alanında önemli bir adım atarak yeni nesil modellerini tanıttı. Şirketin duyurduğu GPT-Realtime-2, GPT-Realtime-Translate ve GPT-Realtime-Whisper; sesli asistanları yalnızca komut algılayan araçlar olmaktan çıkarıp, gerçek zamanlı düşünebilen ve aksiyon alabilen sistemlere dönüştürmeyi hedefliyor.

Yeni modeller; anlık çeviri, canlı altyazı, uzun bağlam hafızası ve gelişmiş akıl yürütme yetenekleriyle dikkat çekiyor.

GPT-Realtime-2 Daha Doğal Konuşmalar Sunuyor

OpenAI’ın yeni amiral gemisi modeli GPT-Realtime-2, klasik sesli asistanlardan farklı olarak yalnızca söylenen kelimeleri değil, konuşmanın bağlamını ve kullanıcı niyetini de analiz edebiliyor.

Modelin öne çıkan yeniliklerinden biri, konuşma devam ederken arka planda işlem yapabilmesi oldu. Örneğin kullanıcı konuşurken takvim kontrolü gerçekleştirebiliyor, rezervasyon işlemlerini yönetebiliyor veya uzun görev zincirlerini kesintisiz sürdürebiliyor.

Şirketin verdiği bilgilere göre modelin bağlam kapasitesi de ciddi şekilde artırıldı. Önceki nesilde 32 bin token seviyesinde olan hafıza kapasitesi artık 128 bin tokene kadar çıkıyor. Böylece yapay zeka, uzun süren görüşmelerde önceki konuşmaları daha sağlıklı şekilde hatırlayabiliyor.

Ses Tonunu Kullanıcıya Göre Uyarlıyor

Yeni sistemin dikkat çeken taraflarından biri de duygusal tonlama yeteneği oldu.

GPT-Realtime-2, konuşma akışına göre daha sakin, enerjik veya empatik bir ses tonu kullanabiliyor. Bu durum özellikle müşteri hizmetleri, dijital danışmanlık ve kişisel asistan kullanımında daha doğal bir deneyim sunmayı amaçlıyor.

OpenAI, modelin insan benzeri tepki süreleri sayesinde konuşmalar sırasında oluşan yapay gecikme hissini büyük ölçüde azalttığını belirtiyor.

GPT-Realtime-Translate ile Anlık Çeviri Dönemi

GPT-Realtime-Translate ise çok dilli iletişim tarafında önemli yenilikler getiriyor.

Modelin 70’ten fazla dili algılayabildiği ve 13 farklı dilde gerçek zamanlı sesli çeviri sunabildiği açıklandı. Sistem, özellikle telefon görüşmeleri ve canlı konuşmalarda gecikmeyi minimum seviyede tutmaya odaklanıyor.

OpenAI’ın paylaştığı bilgilere göre model:

• Bölgesel aksanları anlayabiliyor
• Yarım bırakılan cümleleri analiz edebiliyor
• Konuşma akışını bozmadan çeviri yapabiliyor
• Karşılıklı konuşmaları eş zamanlı sürdürebiliyor

Teknolojinin ilk test kullanıcıları arasında telekomünikasyon şirketlerinin de bulunduğu belirtiliyor.

Whisper Modeli Canlı Altyazıyı Güçlendiriyor

GPT-Realtime-Whisper ise sesin eş zamanlı olarak metne dönüştürülmesine odaklanıyor.

Yeni model sayesinde konuşmalar devam ederken altyazılar neredeyse anlık şekilde ekrana aktarılabiliyor. Bu teknoloji özellikle:

• Canlı yayınlar
• Online eğitim platformları
• Toplantı sistemleri
• Hastane kayıt çözümleri
• Erişilebilirlik servisleri

gibi alanlarda kullanılmak üzere geliştiriliyor.

OpenAI, düşük gecikme süresi sayesinde konuşmacı cümleyi tamamlamadan metnin ekrana yansıtılabildiğini ifade ediyor.

Güvenlik ve İçerik Kontrolleri Güçlendirildi

Şirket, yeni ses modelleriyle birlikte güvenlik katmanlarını da genişlettiğini açıkladı.

Canlı oturumlarda çalışan aktif sınıflandırıcı sistemler sayesinde zararlı içeriklerin, manipülatif komutların veya kötüye kullanım senaryolarının tespit edilmesi hedefleniyor.

OpenAI ayrıca geliştiricilerin bu modellere Playground platformu üzerinden erişebileceğini duyurdu.

Sesli Yapay Zekada Yeni Rekabet Başlıyor

Yeni modeller, sesli yapay zeka alanındaki rekabeti daha da hızlandırmış durumda.

Google, Apple ve Meta gibi devlerin de benzer gerçek zamanlı yapay zeka sistemleri üzerinde çalıştığı biliniyor.

OpenAI’ın son hamlesiyle birlikte sesli asistanların geleceği artık yalnızca “duyan” sistemlerden değil; aynı anda anlayan, düşünen ve işlem yapabilen yapay zekalardan oluşacak gibi görünüyor.