OpenAI představuje hlasové modely s úrovní GPT-5. Mluví sedmdesáti jazyky v reálném čase
Tři nové modely od OpenAI mění pravidla hry pro hlasové aplikace. GPT-Realtime-2 přináší uvažování na úrovni GPT-5 do živého hovoru, překladový model zvládá sedmdesát jazyků v reálném čase a Whisper přepisuje řeč s minimální latencí. Deutsche Telekom i Zillow už testují.
Když OpenAI v lednu spustilo první verzi svého Realtime API, vývojáři získali možnost stavět hlasové aplikace, které reagovaly v reálném čase. Bylo to působivé, ale omezené — model neuměl pořádně uvažovat, nezvládal složitější požadavky a s cizími jazyky si poradil jen omezeně. To se právě změnilo. OpenAI včera představilo tři nové hlasové modely, které posouvají hranice toho, co umělá inteligence dokáže v živém hovoru.
Nejde o kosmetické vylepšení. GPT-Realtime-2 přináší do hlasové interakce uvažování na úrovni modelu GPT-5 — tedy schopnost řešit komplexní problémy přímo během telefonátu. GPT-Realtime-Translate překládá z více než sedmdesáti jazyků do třinácti výstupních jazyků, a to v tempu mluvčího. A GPT-Realtime-Whisper přepisuje mluvenou řeč na text s tak nízkou latencí, že si rozdíl od živého přepisu téměř nevšimnete.
Hlasový model, který skutečně přemýšlí
GPT-Realtime-2 je první hlasový model s plnohodnotným uvažováním. Zatímco předchozí verze dokázaly odpovídat na jednoduché otázky a vést základní konverzaci, nový model zvládá paralelně volat několik nástrojů, zpracovávat přerušení, reagovat na opravy a řešit vícekrokové úlohy — to vše během živého hovoru.
Kontextové okno narostlo ze 32 000 na 128 000 tokenů, což v praxi znamená, že model si pamatuje podstatně delší konverzace. Intenzitu uvažování lze nastavit v pěti stupních — od minimální po extrémně vysokou. Výchozí nastavení je „low“, aby latence zůstala přijatelná, ale pro složité dotazy lze přepnout na vyšší úroveň.
Čísla z benchmarků jsou výmluvná. Na testu Big Bench Audio dosáhl GPT-Realtime-2 skóre 96,6 % oproti 81,4 % u předchozí verze. Na náročnějším Audio MultiChallenge vyskočil z 34,7 % na 48,5 %. Model také výrazně lépe rozpoznává odbornou terminologii, vlastní jména a lékařské výrazy.
Zajímavý je způsob, jakým model řeší prodlevy při složitém uvažování. Používá takzvané preambule — krátké fráze jako „moment, podívám se“ nebo „to je dobrá otázka“, které signalizují, že zpracovává požadavek. Tón přizpůsobuje kontextu: zůstává klidný při řešení problémů, empatický u frustrovaných uživatelů a optimistický po úspěšném vyřešení.
Sedmdesát jazyků v reálném čase: konec jazykových bariér?
Druhý model, GPT-Realtime-Translate, cílí na jeden z nejstarších problémů globálního podnikání — jazykovou bariéru. Překládá z více než sedmdesáti vstupních jazyků do třinácti výstupních jazyků, přičemž udržuje tempo mluvčího. Zvládá přepínání kontextu, regionální přízvuky i odbornou slovní zásobu.
Pro české podnikatele je tohle zásadní zpráva. Pokud prodáváte do zahraničí, obsluhujete zákazníky v několika jazycích nebo vyjednáváte s partnery po celém světě, právě jste získali nástroj, který dokáže v reálném čase překládat vaše hovory. Za 0,034 dolaru za minutu — tedy zhruba 80 haléřů — získáte simultánní překlad, na který byste dříve potřebovali profesionálního tlumočníka.
Hlas se teď může skutečně stát primárním rozhraním. — OpenAI
Mezi obory, kde OpenAI vidí největší potenciál, patří zákaznická podpora, přeshraniční obchod, vzdělávání, konference a média. Deutsche Telekom už model testuje pro zákaznickou podporu v několika evropských zemích.
Tři způsoby, jak hlasovou AI nasadit v praxi
OpenAI definuje tři základní scénáře nasazení, které dávají dobrý přehled o tom, kam se hlasové technologie posouvají:
• Hlas → akce: Zákazník popíše svůj požadavek hlasem, model uvažuje, volá potřebné nástroje a provede akci. Typický příklad: hlasový asistent, který na základě popisu vyhledá produkt, ověří dostupnost a objedná ho.
• Systém → hlas: Software převádí kontext na mluvenou zprávu. Představte si cestovní aplikaci, která vás na letišti slovně naviguje k přestupnímu gatu na základě aktuálních dat o zpoždění.
• Hlas → hlas: Živá konverzace přes jazykovou bariéru. Dva lidé mluví každý svým jazykem a model překládá v reálném čase oběma směry.
Americká realitní platforma Zillow už nové modely integruje do svých služeb. Staví hlasové agenty, kteří pomohou zájemcům o bydlení identifikovat vhodné lokality a autonomně naplánovat prohlídky nemovitostí. Zillow přitom spolupracuje s OpenAI od října 2025, kdy integroval své nabídky přímo do ChatGPT.
Kolik to stojí a co to znamená pro český trh
Ceník nových modelů je důležitý pro každého, kdo zvažuje nasazení. GPT-Realtime-2 stojí 32 dolarů za milion vstupních audio tokenů a 64 dolarů za milion výstupních. Překladový model vyjde na 0,034 dolaru za minutu a přepisovací Whisper na 0,017 dolaru za minutu. Pro srovnání: profesionální simultánní tlumočník stojí stovky korun za hodinu.
Pro české firmy je podstatný ještě jeden detail: OpenAI nově podporuje datovou rezidenci v EU. To znamená, že data evropských zákazníků zůstanou na evropských serverech — klíčový požadavek pro regulované odvětví jako finančnictví, zdravotnictví nebo veřejný sektor.
Všechny tři modely jsou dostupné přes Realtime API a vývojáři si je mohou vyzkoušet v OpenAI Playground. Pro firmy, které už používají OpenAI API, je migrace na nové modely otázkou změny identifikátoru modelu v kódu.
Praktický dopad? Pokud provozujete e-shop se zákaznickou linkou, call centrum, poradenskou firmu nebo jakýkoli byznys, kde mluvíte se zákazníky — právě se vám otevřely možnosti, které byly ještě před rokem v oblasti science fiction. Hlasový agent, který rozumí kontextu, přemýšlí nad odpovědí a mluví sedmdesáti jazyky, už není prototyp. Je to produkt s ceníkem.