OpenAI ได้ประกาศเปิดตัว Realtime API ให้ใช้งานแบบสาธารณะเบต้าแล้ว ซึ่งช่วยให้ผู้พัฒนาที่ชำระเงินสามารถสร้างประสบการณ์แบบมัลติโมดอลที่มีความหน่วงต่ำในแอปพลิเคชันของตนได้
Realtime API รองรับการสนทนาด้วยเสียงแบบพูดต่อเสียง (speech-to-speech) โดยใช้เสียงสำเร็จรูป 6 เสียง เช่นเดียวกับ Advanced Voice Mode ของ ChatGPT
นอกจากนี้ การรับเข้าและส่งออกเสียงใน Chat Completions API ก็พร้อมใช้งานแล้ว ทำให้ผู้พัฒนาสามารถป้อนข้อมูลที่เป็นข้อความหรือเสียงเข้าสู่ GPT-4o และรับการตอบกลับเป็นข้อความ เสียง หรือทั้งสองอย่างได้ด้วยการเรียก API ครั้งเดียว
การอัปเดตนี้ช่วยให้ไม่ต้องรวมหลายโมเดลเข้าด้วยกันเพื่อขับเคลื่อนประสบการณ์เสียงอีกต่อไป
อัปเดตล่าสุด ณ วันที่ 28 สิงหาคม 2025 คือการประกาศให้บริการทั่วไปของ Realtime API ขณะที่อัปเดตเมื่อวันที่ 3 กุมภาพันธ์ 2025 ได้ยกเลิกข้อจำกัดจำนวนเซสชันพร้อมกันแล้ว
ศัพท์ที่ควรรู้
- Realtime API – คือ API ที่ช่วยให้การสื่อสารเกิดขึ้นได้แบบทันทีและมีความหน่วงต่ำ
- Multimodal experiences – คือประสบการณ์ที่สามารถรับและส่งข้อมูลได้หลายรูปแบบ เช่น ข้อความและเสียง
- Speech-to-speech conversations – คือการสนทนาที่แปลงเสียงพูดเป็นเสียงพูดได้ทันที
- GPT-4o – คือโมเดล AI ที่รองรับการรับเข้าและส่งออกได้ทั้งข้อความและเสียง
ที่มา: OpenAI