GPT-Realtime-Whisper
Модель OpenAI для потоковой расшифровки речи: отдаёт текст прямо во время разговора, оплата идёт за минуту обработанного звука.
GPT-Realtime-Whisper — модель OpenAI для потокового распознавания речи. Она принимает живой звук с микрофона, телефона или линии звонка и отдаёт текст по мере поступления аудио: сначала отдельные фрагменты, затем готовую расшифровку каждой реплики. Это решение для сценариев, где важна задержка, — субтитры в реальном времени, протоколирование встреч и звонков, голосовые интерфейсы и поиск по сказанному.
Модель работает в Realtime API: приложение открывает сессию расшифровки по WebSocket или WebRTC, отправляет звук фрагментами и получает события с промежуточным и итоговым текстом. На вход подаются аудио и текст, на выходе только текст. Контекст — 16 тысяч токенов, ответ — до 2 тысяч токенов. Стоимость считается по длительности обработанного аудио, поэтому счёт не зависит от объёма распознанного текста.
Возможности
Потоковая расшифровка
Текст появляется по ходу речи: промежуточные фрагменты и итоговая расшифровка каждой зафиксированной реплики.
Малая задержка
Расшифровка приходит во время разговора, а не после записи, поэтому годится для субтитров и подсказок в реальном времени.
Realtime API
Подключается через сессии расшифровки по WebSocket или WebRTC; звук передаётся фрагментами PCM.
Реплики и финал
Приложение фиксирует конец реплики и получает готовый текст, сверяя события по идентификатору записи.
Оплата по минутам
Считается длительность обработанного звука, а не токены распознанного текста.
Кому подойдёт
- Разработчики
Встраивают потоковую расшифровку в звонки, голосовых ботов и субтитры.
- Служба поддержки
Получает текст разговора сразу, пока клиент ещё на линии.
- Менеджеры проектов и продуктов
Собирают протоколы созвонов и встреч без ручной расшифровки записей.
- Исследователи и учёные
Расшифровывают интервью и полевые записи по ходу разговора.
Как начать
- Получить ключ API в платформе OpenAI.
- Открыть сессию расшифровки Realtime API по WebSocket или WebRTC.
- Отправить session.update с типом transcription и указать модель gpt-realtime-whisper.
- Передавать звук фрагментами PCM и фиксировать конец каждой реплики.
- Собирать промежуточные фрагменты и итоговый текст из событий сессии.
Тарифы
Тарифов с фиксированной месячной платой нет: счёт формируется по минутам аудио.
Ограничения
- Поддерживаются только сессии расшифровки реального времени: чат-запросы, обычная транскрибация файлов и генерация речи недоступны.
- На выходе только текст: модель не отвечает голосом и не ведёт диалог.
- Контекст ограничен 16 тысячами токенов, ответ — 2 тысячами токенов.
- Расшифровка привязана к репликам, порядок событий между разными репликами не гарантирован.
- Оплата идёт за каждую минуту поданного звука независимо от объёма текста.
Платформы и интеграции
Семейство
Соседи по смыслу
за последний месяц