OpenAI lança 3 modelos de voz em tempo real para devs
OpenAI anunciou GPT-Realtime-2, GPT-Realtime-Translate e GPT-Realtime-Whisper: três modelos de voz via API para raciocínio, tradução e transcrição em tempo real
A OpenAI acaba de lançar três modelos de voz prontos para serem integrados em aplicações: GPT-Realtime-2, GPT-Realtime-Translate e GPT-Realtime-Whisper. Todos estão disponíveis via Realtime API e focam em casos de uso que antes eram difíceis de resolver com qualidade: conversa com raciocínio profundo, tradução simultânea e transcrição ao vivo. Se você está construindo qualquer app que envolva áudio, vale entender o que cada um entrega.
Contexto técnico
Antes de entrar nos modelos, dois termos que aparecem bastante aqui:
- Token: a unidade que os LLMs (Modelos de Linguagem de Grande Escala) usam para processar texto. Pense em tokens como "pedaços" de palavras. Cobranças de API normalmente são calculadas por quantidade de tokens consumidos.
- Realtime API: interface da OpenAI que permite enviar e receber áudio em streaming, ou seja, sem esperar o áudio terminar para processar. É diferente de enviar um arquivo de áudio inteiro.
Os três novos modelos são:
GPT-Realtime-2 é o primeiro modelo de voz da OpenAI com capacidade de raciocínio no nível do GPT-5. Ele consegue checar múltiplas fontes, adaptar o tom conforme o contexto e entender termos especializados, como jargões médicos ou de produção industrial. O preço é de $32 por milhão de tokens de entrada e $64 por milhão de tokens de saída.
GPT-Realtime-Translate faz tradução de fala em tempo real: o usuário fala em um dos mais de 70 idiomas suportados e o modelo traduz para um dos 13 idiomas de saída, mantendo o ritmo natural da conversa. Custa $0,034 por minuto.
GPT-Realtime-Whisper transcreve o que está sendo falado enquanto a conversa acontece, sem esperar o fim da frase. É útil para legendas ao vivo, atas de reunião e resumos automáticos. Custa $0,017 por minuto.
Impacto para devs
Na prática, esses modelos abrem portas que antes exigiam várias peças separadas, como uma API de speech-to-text, um LLM para raciocínio e um serviço de tradução, tudo orquestrado manualmente. Agora você pode conectar direto via Realtime API e ter tudo junto.
Um exemplo simples de como chamar o GPT-Realtime-Whisper via WebSocket (pseudocódigo):
# Conecta ao endpoint Realtime da OpenAI
ws = connect("wss://api.openai.com/v1/realtime")
# Envia chunks de áudio conforme chegam do microfone
ws.send({"type": "audio_chunk", "data": base64_audio})
# Recebe transcrição em tempo real
response = ws.receive()
print(response["transcript"]) # texto transcrito até agora
Alguns cenários concretos onde isso entra em jogo:
- App de atendimento ao cliente: usa GPT-Realtime-2 para entender a reclamação, raciocinar sobre a solução e responder por voz sem parecer um robô travado.
- Ferramenta de reuniões: GPT-Realtime-Whisper gerando a ata enquanto as pessoas falam, sem pós-processamento.
- App de viagens: GPT-Realtime-Translate para que um turista consiga se comunicar com um atendente local sem delay perceptível.
Para quem usa o Codex (plataforma de codificação agêntica da OpenAI), já existe um prompt pronto para adicionar o GPT-Realtime-2 diretamente ao fluxo. E qualquer um pode testar os modelos agora mesmo no OpenAI Playground antes de integrar na aplicação.
Conclusão
A OpenAI está empacotando capacidades de voz que antes exigiam arquitetura complexa em modelos simples de consumir por API. Para quem está no início da carreira e quer explorar IA com voz, esse é um bom momento para experimentar: os custos por minuto são acessíveis para protótipos e a API já tem documentação e playground disponíveis. O próximo passo natural é testar o GPT-Realtime-Whisper em algum projeto pequeno, como uma ferramenta de notas por voz, e sentir na prática o que "streaming em tempo real" significa para a experiência do usuário.