GPT-Realtime-Whisper được OpenAI giới thiệu ngày 07/05/2026, là model speech-to-text dạng streaming: chuyển lời nói thành văn bản ngay trong quá trình người nói phát biểu. Đây không phải một model trả lời bằng giọng nói hay dịch trực tiếp.
Chép lời trực tiếp khác hội thoại
Thông cáo OpenAI giới thiệu ba model riêng: Realtime-2 cho hội thoại có suy luận, Realtime-Translate cho dịch và Realtime-Whisper cho chép lời. Vì vậy không gán ngữ cảnh 128K, mức reasoning hay điểm benchmark của Realtime-2 cho Whisper. Cũng không lấy số ngôn ngữ dịch của Translate làm thông số STT.
Streaming giải quyết nhu cầu gì?
Văn bản xuất hiện khi lời nói tiếp diễn giúp ứng dụng hiển thị phụ đề hoặc đưa nội dung vào quy trình xử lý mà không chờ toàn bộ bản ghi kết thúc. Tuy nhiên, thời gian đáp ứng toàn hệ thống còn gồm thu âm, mạng và hiển thị. Nhãn realtime không phải cam kết độ trễ cố định cho mọi thiết bị.
Không đồng nhất với Whisper năm 2022
Tên có chung Whisper không chứng minh hai thế hệ có cùng trọng số, license, phần cứng hay cách triển khai. Whisper đời đầu có bối cảnh nghiên cứu riêng; model streaming được giới thiệu trong API năm 2026 cần đọc theo tài liệu tương ứng. Tương tự, không chuyển kết quả của gpt-4o-transcribe sang model này.
Chi phí và kiểm định chất lượng
Thông cáo xác nhận vai trò streaming STT nhưng không đủ để suy bảng giá đầy đủ cho mọi cấu hình. Cần đối chiếu đúng endpoint và thời điểm; không lấy giá model audio khác áp sang. Khi đánh giá, nên đo tỷ lệ sai từ, tên riêng, số và khả năng giữ nội dung trên âm thanh đại diện thay vì chỉ nghe một đoạn demo.
Bản chép rõ ràng vẫn có thể nghe sai hoặc bỏ sót phủ định. Với biên bản, y tế hay pháp lý, cần giữ khả năng đối chiếu bản ghi và người duyệt phù hợp. Việc ghi âm, chuyển dữ liệu và lưu bản chép cũng cần sự đồng ý và kiểm soát truy cập. Model không tự biến lời nói thành bằng chứng đã xác minh.
Nguồn: OpenAI, Advancing voice intelligence with new models in the API, 07/05/2026.
Tác giả
Chăm Sóc Khách Hàng
