OpenAI'nin GPT-Realtime-2'si: GPT-5 Sınıfı Akıl Yürütmeye Sahip Bir Ses Modeli

GPT-5.5 Instant'ın yayınlanmasından sadece iki gün sonra, OpenAI aynı anda üç şeye odaklanan yeni bir sürümle daha büyük haberlerle karşımızda:

• konuşurken akıl yürütebilen bir ses modeli: yani GPT‑Realtime‑2
• 70+ dilde canlı çeviri: GPT‑Realtime‑Translate
• ve son olarak, gerçek sohbetlere ayak uyduran akış tabanlı deşifre: GPT‑Realtime‑Whisper

Bu yazıda, bu üç modelle ilgili gelişmeleri hızlıca özetleyeceğiz. 

Canlı etkileşime odaklanan bir rakip modelle ilgileniyorsanız, Thinking Machines Lab'in TML-Interaction-Small rehberimizi okumanızı öneririm.

GPT-Realtime-2 Nedir?

GPT-Realtime-2, OpenAI'nin API'sindeki yeni gerçek zamanlı ses modelidir ve OpenAI'nin "GPT-5 sınıfı akıl yürütmeye" sahip olarak tanımladığı ilk ses modelidir.

Canlı sesli etkileşimler için tasarlanmıştır; yani biri yazarak değil, konuşarak etkileşir.

Model, bir isteği akıl yürütürken, araçları çağırırken ve düzeltmeleri ele alırken sohbeti sürdürmek üzere tasarlanmıştır. Başka bir deyişle, anın gerektirdiği şekilde yanıt verir.

Önceki model GPT-Realtime-1.5 ile karşılaştırıldığında bazı önemli özellikler şunlardır:

• bağlam penceresi 32K'dan 128K'ya çıkıyor
• geliştiriciler artık akıl yürütme çabasını ayarlayabiliyor
• "önsöz" ifadeleri gibi küçük dokunuşlar, sesli ajanları daha az mekanik hissettiriyor

GPT-Realtime-Translate Nedir?

GPT-Realtime-Translate, 70+ giriş dili ve 13 çıkış dilini destekleyen OpenAI'nin yeni canlı konuşma çeviri modelidir.

Ses-sesten-seese durumu için tasarlanmıştır: Her kişi tercih ettiği dilde konuşur ve model gerçek zamanlı çeviri yapar. Konuşmacılar bağlam değiştirdiğinde, bölgesel telaffuz kullandığında veya alana özgü terimler kattığında anlamı koruması beklenir.

GPT-Realtime-Whisper Nedir?

GPT-Realtime-Whisper, konuşmacı konuşurken düşük gecikmeli deşifre için tasarlanmış, OpenAI'nin yeni akış tabanlı konuşma-metne modelidir.

Orijinal Whisper, tamamlanmış ses parçaları için tasarlanmıştı. Yeni akış sürümüyle birlikte, canlı yayın altyazıları ve kullanıcıyı tur bazlı değil kesintisiz anlaması gereken sesli ajanlar için daha kullanışlı bir model elde ediyoruz.

Özetle kaybolduysanız, yapı şöyle:

• GPT-Realtime-2 = tam bir sohbet eden sesli ajan. Dinler, akıl yürütür, araç çağırır, cevap verir. Hem ses girişi hem de ses çıkışı istediğinizde bunu kullanırsınız.
• GPT-Realtime-Translate = bir çeviri hattı. Dil A'da konuşma → Dil B'de konuşma. Kimseyle sohbet etmez; bir akışı diğerine dönüştürür. 
• GPT-Realtime-Whisper = bir deşifre hattı. Konuşma içeri → metin dışarı. Akıl yürütme yok, sesli yanıt yok. Canlı altyazılar vb. için kullanırsınız.

GPT-Realtime-2'nin Öne Çıkan Özellikleri

Aşağıdaki özellikler özellikle GPT-Realtime-2 için geçerlidir.

Önsözler

Geliştiriciler, modelin ana yanıtından önce "bunu bir kontrol edeyim" veya "incelemem için bir dakika" gibi kısa dolgu ifadeleri söylemesini sağlayabilir.

Bu önemli bir özellik çünkü insanlar genelde garip sessizliklere karşı sabırsız veya tahammülsüzdür. İnsana özgü bu tür dolgu ifadeleri, bir ajanın yetkin hissettirmesini sağlar.

Sesli anlatımla paralel araç çağrıları

GPT-Realtime-2 aynı anda birden çok aracı çağırabilir ve bunu yaparken ne yaptığını anlatabilir. Böylece çok adımlı bir görev sırasında ölü hava yerine kullanıcı kesintisiz bir anlatım alır. Bu çoğunlukla bir UX kazanımıdır. 

Daha güçlü toparlanma davranışı

Bir şeyler ters gittiğinde, örneğin bir araç arızalandığında veya istek belirsiz olduğunda, model sessiz kalmak ya da bir şeyler uydurmak yerine "Şu an bunda zorlanıyorum" gibi bir şey söyleyebilir. 

Bağlam penceresi: 32K → 128K

Yükseltme, tek bir oturumda modelin işleyebileceği sohbet geçmişi ve bağlam miktarını 32.000 tokenden 128.000 tokene çıkararak dört katına çıkarır. Bu da modeli, dağılma olmadan daha uzun sohbetler için uygun hale getirir.

Ayarlanabilir akıl yürütme çabası

Geliştiriciler artık asgari, düşük, orta, yüksek ve çok yüksek akıl yürütme seviyeleri arasından seçim yapabilir.

Varsayılan değer düşüktür; bu, basit karşılıklı konuşmalarda gecikmeyi düşük tutar ve istek zorlaştığında daha ihtiyatlı seçenekler sunar. 

Daha iyi alan bilgisi ve ton kontrolü

Model artık sağlık terimleri veya finans jargonu gibi uzmanlaşmış terminolojiyi daha iyi korur. Ayrıca sunumunu da ayarlayabilir: Bir sorunu çözerken daha sakin, kullanıcı hayal kırıklığı yaşadığında empatik, başarılı bir işlemi onaylarken daha neşeli. 

GPT-Realtime-2 Karşılaştırma Sonuçları

Karşılaştırmalara göz atalım. OpenAI, yıl bazında temiz bir tablo sunan GPT-Realtime-1.5 ile karşılaştırıyor:

• Big Bench Audio (ses zekâsı): %81,4 → %96,6 — 15,2 puanlık artış.
• Audio MultiChallenge (konuşmalı diyalogda talimat izleme): %34,7 → %48,5 — 13,8 puanlık artış.

Big Bench Audio değeri ilginç. %96,6, kıyaslamanın doygunluğa yaklaştığını gösteriyor. Öte yandan Audio MultiChallenge hâlâ %50'nin altında; bu ikinci kıyaslama sonucu, faydalı bir gerçeklik kontrolü sunuyor. "Geçen yılın ses modelinden daha iyi" olmakla "denetimsiz üretime hazır" olmak farklı eşiklerdir.

Not düşmeye değer: Bu değerler "yüksek" ve "çok yüksek" akıl yürütme ayarlarında çalıştırılmış. Üretimde varsayılan, gecikme nedenleriyle "düşük" olacaktır; bu nedenle kullanıcıların başlık düzeyindeki kıyaslama sonucuna dayalı beklentilerinden farklı bir deneyimi olabilir.

GPT-Realtime-2'ye Nasıl Erişebilirim?

Üç ses modeli de şu anda Realtime API'de mevcut:

• GPT-Realtime-2: 1M ses girişi tokenı başına $32 (önbelleğe alınmış giriş için $0,40), 1M ses çıkışı tokenı başına $64.
• GPT-Realtime-Translate: dakika başına $0,034.
• GPT-Realtime-Whisper: dakika başına $0,017.

Dakika bazlı fiyatlandırılan iki model, bütçeleme açısından çok daha anlaşılır. Token başına ses fiyatlandırmasını, ölçüm yapmadan "bu çağrı başına ne kadar tutar?"a çevirmek zordur. Bu nedenle bir geliştirici, yayına almadan veya bir söz vermeden önce beklenen maliyetleri modellemek için biraz zaman harcamayı beklemelidir.

Neyse ki, GPT-Realtime-2'yi Playground'da test edebilirsiniz ve OpenAI, mevcut uygulamalara eklemek için başlangıç istemiyle birlikte geliştiricileri Codex'e yönlendiriyor (biz de Codex hakkında çok yazdık). 

GPT-Realtime-2 ve Güvenlik

Güvenlik tarafında, OpenAI aktif sınıflandırıcıların zararlı içerik yönergelerini ihlal eden oturumları durdurabildiğini ve geliştiricilerin Agents SDK aracılığıyla kendi güvenlik önlemlerini katmanlayabileceğini söylüyor; bu konuda da yazdık.

Unutmayın: Ses çok spesifik hata biçimlerini beraberinde getirir. Bunlardan bazıları konuşmaya değerdir:

• Yanlışlıkla etkinleşmeler: Sistemin, kimse onunla konuşmak istemezken dinlemeye veya yanıt vermeye başlaması.
• Ortam sesi yakalama: Mikrofon bir kez açıldığında, yalnızca kullanıcıyı değil, odadaki her şeyi alır. Arka plan konuşmaları, çocuklar, iş arkadaşları, bir TV, yan odadaki gizli bir toplantı vb.
• Ses klonlama endişeleri: Ses biyometriktir. Gerçek bir kişiye benzeyen sentetik konuşma, kimliğe bürünme, dolandırıcılık veya sesle kimlik doğrulama sistemlerini atlatma için kullanılabilir. Bu hem çıktı hem de girdi için bir endişedir.

Son Düşünceler

OpenAI, sesli ajanları yetkin hissettiren unsurları — dolgu ifadeleri, anlatımlı araç çağrıları, zarif toparlanma, büyük bir bağlam penceresi, gerçek bir akıl yürütme ayarı — aynı zamanda gerçekten akıl yürütebilen bir modele paketliyor. Kullanıcı açısından bunun karşılığı: daha az garip sessizlik ve kopma olasılığı daha düşük sohbetler. Bu büyük bir ilerleme.