Эра неловких пауз в голосовых ботах окончена. OpenAI только что убили костыльные сборки из Whisper + LLM + TTS.

Выкатили три новые модели для Realtime API:

$\rightarrow$ GPT-Realtime-2: Логика уровня GPT-5. Умеет адекватно реагировать на перебивания, менять тон в процессе и вызывать функции прямо во время живого диалога. Контекст расширен до 128K.

$\rightarrow$ GPT-Realtime-Translate: Потоковый синхронный перевод с 70+ языков.

$\rightarrow$ GPT-Realtime-Whisper: Стриминговая транскрибация.

Что это меняет?

Если раньше для быстрого voice-агента архитекторам приходилось городить пайплайн из транскрибации, LLM для логики и генерации речи, мучаясь с latency, то теперь всё работает внутри единого audio-loop "из коробки".

#AI #AIAgents #architecture #LLM

The New Stack