خانه
دسته بندی ها
اخبار
انقلاب صوتی OpenAI | مدل‌هایی که می‌شنوند، فکر می‌کنند و در 70 زبان پاسخ می‌دهند!

انقلاب صوتی OpenAI | مدل‌هایی که می‌شنوند، فکر می‌کنند و در 70 زبان پاسخ می‌دهند!

اشتراک

تا چند روز پیش، اگر می‌خواستید با هوش مصنوعی به صورت صوتی صحبت کنید، تجربه‌ای شبیه به مکالمه با یک دستگاه خودکار خشک و بی‌احساس داشتید. اما همه چیز از 7 می 2026 تغییر کرد.

OpenAI رسماً از سه مدل صوتی نسل جدید خود رونمایی کرده است که مرزهای تعامل صوتی با هوش مصنوعی را جابه‌جا می‌کنند. این مدل‌ها با نام‌های GPT-Realtime-2، GPT-Realtime-Translate و GPT-Realtime-Whisper در دسترس توسعه‌دهندگان قرار گرفته‌اند و وعده می‌دهند که تجربه مکالمه با هوش مصنوعی را از حالت پرسش‌وپاسخ ساده به همکاری‌ای روان، هوشمند و چندزبانه تبدیل کنند .

در این خبر، به صورت جامع بررسی می‌کنیم که هر کدام از این مدل‌ها چه قابلیت‌هایی دارند، محدودیت‌های قبلی چگونه رفع شده و این تحول چه معنایی برای کاربران عادی و توسعه‌دهندگان دارد.

سه مدلی که انقلاب صوتی را رقم زدند

OpenAI با درک این واقعیت که «صدا» به یکی از طبیعی‌ترین روش‌های تعامل انسان با فناوری تبدیل شده است، سه مدل تخصصی را روانه بازار کرده است . هر مدل برای یک نیاز خاص طراحی شده و در کنار هم، یک پلتفرم کامل تعامل صوتی را تشکیل می‌دهند.

GPT-Realtime-2

قابلیت: مکالمه هوشمند با استدلال سطح GPT-5
کاربرد: دستیارهای صوتی پیشرفته، پشتیبانی مشتری
قیمت: ۳۲ دلار به ازای هر میلیون توکن ورودی

GPT-Realtime-Translate

قابلیت: ترجمه همزمان ۷۰+ زبان به ۱۳ زبان خروجی
کاربرد: کنفرانس‌های بین‌المللی، آموزش، سفر
قیمت: ۰.۰۳۴ دلار در دقیقه

GPT-Realtime-Whisper

قابلیت: رونویسی زنده
کاربرد: گفتار به متن جلسات، زیرنویس‌گذاری
قیمت: ۰.۰۱۷ دلار در دقیقه

در ادامه، هر مدل را با جزئیات بیشتر بررسی می‌کنیم.

GPT-Realtime-2: اولین مدل صوتی با استدلال GPT-5

بزرگ‌ترین خبر این رونمایی، مدل GPT-Realtime-2 است. این اولین مدل صوتی OpenAI محسوب می‌شود که از قابلیت استدلال در سطح GPT-5 بهره می‌برد .

تفاوت اساسی با نسل قبل چیست؟

مدل‌های صوتی قبلی بیشتر شبیه یک «دفترچه یادداشت صوتی» عمل می‌کردند: شما می‌گفتید، آنها ضبط می‌کردند و سپس پاسخ می‌دادند. اما GPT-Realtime-2 واقعاً «فکر می‌کند»:

درک عمیق‌تر از نیت کاربر: برخلاف مدل‌های قبلی که فقط کلمات را تشخیص می‌دادند، این مدل می‌تواند منظور و قصد پشت کلمات را درک کند .
مدیریت قطع و وصل شدن (Interruptions): در مکالمه واقعی انسانی، قطع و وصل شدن کاملاً طبیعی است. مدل‌های قبلی با کوچک‌ترین قطع شدن، کل مکالمه را از دست می‌دادند. اما GPT-Realtime-2 می‌تواند قطع شدن را مدیریت کند و پس از آن به راحتی به مکالمه ادامه دهد.
حافظه مکالمه طولانی: پنجره زمینه (Context Window) این مدل از ۳۲,۰۰۰ توکن در نسخه قبلی به ۱۲۸,۰۰۰ توکن افزایش یافته است . این یعنی می‌تواند مکالمات بسیار طولانی‌تری را به خاطر بسپارد و درک کند.
اجرای همزمان ابزارها (Parallel Tool Calls): شگفت‌انگیزترین قابلیت این است که مدل می‌تواند در حین مکالمه، همزمان چندین ابزار خارجی را فراخوانی کند . مثلاً در حالی که با شما صحبت می‌کند، می‌تواند هم تقویمتان را چک کند، هم ایمیل‌هایتان را بررسی کند و هم اطلاعات آنلاین را جستجو کند.

عملکرد در بنچمارک‌ها:

طبق اعلام OpenAI، GPT-Realtime-2 در بنچمارک Big Bench Audio موفق به کسب نمره ۹۶.۶ درصد شده است. این در حالی است که مدل قبلی (GPT-Realtime-1.5) نمره ۸۱.۴ درصد را کسب کرده بود .

نتایج عملی در صنعت:

شرکت‌های بزرگی مانند Zillow (پلتفرم املاک آنلاین) و Glean (دستیار هوشمند سازمانی) در حال تست این فناوری هستند. Zillow گزارش داده که نرخ موفقیت تماس‌های پشتیبانی خود را از ۶۹ درصد به ۹۵ درصد افزایش داده است .

GPT-Realtime-Translate: پایان عصر مترجم‌های انسانی؟

دومین مدل مهم، GPT-Realtime-Translate نام دارد. همانطور که از اسمش پیداست، یک مترجم همزمان صوتی است.

مشخصات فنی:

پشتیبانی از بیش از ۷۰ زبان ورودی
ترجمه به ۱۳ زبان خروجی شامل: اسپانیایی، پرتغالی، فرانسوی، ژاپنی، روسی، چینی، آلمانی، کره‌ای، هندی، اندونزیایی، ویتنامی، ایتالیایی و انگلیسی
قیمت: ۰.۰۳۴ دلار در دقیقه (حدود ۵۰ تومان در دقیقه با نرخ فعلی ارز)

چرا این مدل انقلابی است؟

سیستم‌های ترجمه سنتی معمولاً به صورت «سه مرحله‌ای» کار می‌کنند: (۱) تشخیص گفتار و تبدیل به متن، (۲) ترجمه متن، (۳) تبدیل متن ترجمه شده به گفتار. این فرآیند باعث می‌شود:

تأخیر (Latency) بالا برود
خطا در هر مرحله انباشته شود
لحن و احساسات گوینده از بین برود

اما GPT-Realtime-Translate تمام این مراحل را در یک مدل واحد انجام می‌دهد . نتیجه:

تأخیر بسیار کمتر
دقت بالاتر
حفظ لحن و احساسات گوینده

کاربردهای عملی:

شرکت مخابراتی دویچه تلکام (Deutsche Telekom) در حال تست این مدل برای پشتیبانی چندزبانه مشتریان خود است . همچنین، توسعه‌دهندگان می‌توانند با استفاده از Codex و راهنمای رسمی OpenAI (Cookbook)، یک اپلیکیشن ترجمه همزمان را در کمتر از چند ساعت روی سیستم خود راه‌اندازی کنند .

GPT-Realtime-Whisper: رونویسی زنده با دقت بی‌نظیر

سومین مدل، GPT-Realtime-Whisper نام دارد که نسخه بهبودیافته Whisper معروف است.

قابلیت‌ها:

رونویسی بلادرنگ (Live Transcription) با تأخیر بسیار کم
توانایی تطبیق با قطع و وصل شدن‌ها و تغییرات در مکالمه
قیمت: ۰.۰۱۷ دلار در دقیقه

موارد استفاده:

زیرنویس زنده برای جلسات آنلاین و کنفرانس‌ها
یادداشت‌برداری خودکار در تماس‌های پشتیبانی
کاربردهای پزشکی (تشریح پرونده بیماران)
خرده‌فروشی و مراکز تماس

نکته جالب اینکه این مدل می‌تواند همزمان با صحبت کردن کاربر، خلاصه‌ای از گفتگو نیز تولید کند .

مقایسه با رقبا؛ جنگ صوتی آغاز شده است!

این حرکت OpenAI پاسخی مستقیم به رقبایی مانند Google (با قابلیت‌های صوتی Gemini) و Anthropic (با مدل Mythos) است. اما OpenAI با این سه مدل نشان داده که راهبرد «تخصصی‌سازی» را در پیش گرفته است .

به جای یک مدل همه‌کاره، سه مدل مجزا برای سه نیاز متفاوت طراحی شده است. این رویکرد به توسعه‌دهندگان اجازه می‌دهد دقیقاً مدلی را انتخاب کنند که به آن نیاز دارند و هزینه کمتری بپردازند.

از سوال‌وجواب تا همکار هوشمند

سام آلتمن، مدیرعامل OpenAI، در بیانیه‌ای کوتاه به این نکته اشاره کرده است:

«مدل‌هایی که امروز معرفی می‌کنیم، تعامل صوتی را از یک پرسش‌وپاسخ ساده به رابط‌های هوشمندی تبدیل می‌کنند که می‌توانند همزمان بشنوند، استدلال کنند، ترجمه و رونویسی انجام دهند و در حین مکالمه اقدام کنند.»

این جمله به خوبی نشان‌دهنده تغییر پارادایم در صنعت است: از «ابزارهای صوتی که پاسخ می‌دهند» به «همکاران هوشمندی که انجام می‌دهند».

معرفی سه مدل صوتی جدید OpenAI را باید نقطه عطفی در تاریخ تعامل انسان و هوش مصنوعی دانست. محدودیت‌های دیرینه (خشکی مکالمه، عدم مدیریت قطع و وصل شدن، نبود ترجمه همزمان روان) یکی پس از دیگری در حال رفع شدن هستند.

از نگاه فنی، نکات کلیدی این تحول عبارتند از:

برتری معماری یکپارچه: تلفیق «شنیدن، فهمیدن، فکر کردن و گفتن» در یک مدل واحد، انقلابی در کاهش تأخیر و افزایش دقت است.
انتقال به صنعت: از این پس، تعامل صوتی با هوش مصنوعی از حالت آزمایشگاهی خارج شده و وارد صنایعی مانند بانکداری، آموزش، پزشکی و خرده‌فروشی می‌شود.
تخصصی‌سازی به جای همه‌کارگی: رویکرد OpenAI در ارائه مدل‌های جداگانه برای وظایف مختلف (مکالمه، ترجمه، رونویسی) راهبرد هوشمندانه‌ای است که به توسعه‌دهندگان انعطاف بیشتری می‌دهد.
رقابت تسلیحاتی: با ورود OpenAI به این عرصه، سایر رقبا ناگزیر به ارتقای قابلیت‌های صوتی خود خواهند بود. سال ۲۰۲۶ را باید سال بلوغ دستیارهای صوتی هوشمند نامید.

هرچند زبان فارسی هنوز در لیست پشتیبانی این مدل‌ها قرار ندارد، اما روند رو به رشد پشتیبانی از زبان‌های بیشتر، نویدبخش آینده‌ای نزدیک است. تا آن زمان، توسعه‌دهندگان فارسی‌زبان می‌توانند از APIهای ترجمه و رونویسی این مدل‌ها برای ساخت اپلیکیشن‌های دوزبانه (مثلاً فارسی به انگلیسی) استفاده کنند.

رأی مثبت0امتیازاترأی منفی

0 آرا: 0 موافق, 0 مخالف (0 امتیاز)