OpenAI добавила в API модели gpt-realtime-2.1 и gpt-realtime-2.1-mini для голосовых агентов

OpenAI выпустила в API две Realtime-модели: gpt-realtime-2.1 и gpt-realtime-2.1-mini. Обе рассчитаны на голосовые и мультимодальные сценарии с низкой задержкой. Как пишет MarkTechPost, главным элементом релиза стала gpt-realtime-2.1-mini, компактная reasoning-модель для голосового взаимодействия в реальном времени. При этом стоимость у нее осталась на уровне предыдущей gpt-realtime-mini.

Realtime API обрабатывает и генерирует аудио внутри одной модели, без отдельной связки speech-to-text и text-to-speech. В OpenAI говорят, что это помогает снизить задержку и лучше сохранять нюансы речи. gpt-realtime-2.1-mini поддерживает tool use и function calling: модель умеет планировать шаги, вызывать функции и продолжать диалог во время выполнения запроса. Для reasoning доступны уровни minimal, low, medium, high и xhigh, по умолчанию используется low.

Старшая модель gpt-realtime-2.1 получила улучшенное распознавание буквенно-цифровых данных, а также доработки при обработке тишины, шума и прерываний. OpenAI также сообщила, что p95 latency для Realtime voice-моделей удалось снизить минимум на 25% благодаря улучшенному кэшированию. Для gpt-realtime-2.1-mini стоимость кэшированного аудиоввода составляет 0,30 $ за 1 млн токенов, обычный аудиоввод стоит 10,00 $ за тот же объем.

Цены для gpt-realtime-2.1-mini сохранились на уровне предыдущей gpt-realtime-mini. Аудиовывод для mini-версии стоит 20,00 $ за 1 млн токенов, для gpt-realtime-2.1 цена составляет 64,00 $ за тот же объем.