6 июля OpenAI выпустил gpt-realtime — движок «речь в речь», который говорит как человек и держит перебивание. Я делаю голосового ИИ-приёмщика для бизнеса на российском стеке и занервничал: не устарел ли мой подход?За вечер собрал прототип на OpenAI, откопал, что у Яндекса есть свой Realtime, и…
OpenAI сделала важный шаг для рынка голосовых интерфейсов: Realtime API официально вышел из бета-версии и теперь доступен всем разработчикам. Вместе с этим компания представила модель gpt-realtime, которая объединяет распознавание речи, генерацию текста и синтез голоса в одном API. Важно и то, что использование стало заметно дешевле, а цены на аудио-токены снижены на 20%. Читать далее
От голосовых на 5 минут к тексту за 30 секунд: инструмент для батч-расшифровки голосовых: от локального Whisper до бесплатного Groq API, с автоопределением форматов и CLI Читать далее
Realtime в приложении есть, а WebSocket — нет: сервер отдаёт сообщения через long-polling. Разбираю на примере боевого iOS-сервиса, где такой realtime реально ломается — гонки при переподключении и токен поколения, full jitter в backoff, два независимых потока сообщений в одном ответе и как не задублировать локальные пуши на холодном старте. Читать далее