OpenAI: голос перестаёт быть «озвучкой» — Нейросреда | 7Post
Он происходит тогда, когда голос становится полноценным интерфейсом: система слышит пользователя, отвечает, реагирует на перебивание и продолжает разговор в реальном времени.
Долгое время TTS решал относительно простую задачу: взять текст и превратить его в аудио. У OpenAI этот слой по-прежнему существует — в Speech API доступны модели для синтеза речи, разные встроенные голоса, инструкции по манере речи, потоковая выдача и несколько аудиоформатов. Но параллельно развивается другой класс систем — realtime voice.
В мае 2026 года OpenAI представила GPT-Realtime-2, GPT-Realtime-Translate и GPT-Realtime-Whisper. Первая модель предназначена для голосового взаимодействия в реальном времени, вторая — для живого перевода, третья — для потоковой транскрипции. То есть голосовой интерфейс постепенно превращается из последовательной цепочки «распознать → подумать → озвучить» в более тесно связанную систему.
Самое интересное — не голос
GPT-Live, представленный OpenAI в июле 2026 года, описывается как система с full-duplex архитектурой: она может слушать и говорить одновременно. В официальном описании отдельно подчёркиваются быстрые переходы между репликами, возможность перебивания и даже короткие речевые реакции вроде подтверждения внимания.
Именно здесь меняется критерий качества.
Для обычного TTS мы спрашиваем:
Хорошо ли звучит этот голос?
Для голосового агента нужно спрашивать гораздо больше:
- понял ли он начало реплики;
- не перебил ли пользователя;
- умеет ли остановить собственную речь;
- насколько быстро начал отвечать;
- не теряет ли контекст;
- способен ли продолжить разговор после паузы;
- естественно ли звучит смена хода разговора.
Получается парадокс: чем лучше голосовой ИИ, тем меньше нас интересует отдельная аудиодорожка и тем больше — поведение всей системы.
А классический TTS никуда не исчез
Speech API остаётся важным инструментом для задач, где не нужен полноценный диалог. Актуальная документация указывает модели tts-1, tts-1-hd, gpt-4o-mini-tts и другие варианты. Для gpt-4o-mini-tts можно задавать инструкции о манере речи.
При этом TTS-1 оптимизирован под скорость, а TTS-1 HD — под качество. Для production-разработки важна ещё одна деталь: документация поддерживает snapshots, позволяющие фиксировать конкретную версию модели.
Это особенно важно для нашего проекта «Нейросреда».
Если сегодня мы получили отличный результат, а через три месяца модель стала другой, сравнение уже может быть некорректным. Поэтому хороший тест должен фиксировать модель, snapshot, параметры и исходный текст.