OpenAI ประกาศเปิดตัวโมเดลเสียงใหม่พร้อมกันถึง 3 ตัวบน Realtime API ที่ถูกออกแบบมาให้ “ฟังเข้าใจ-คิดต่อเป็น-ตอบโต้ได้ทันที” ใกล้เคียงการสนทนาของมนุษย์มากขึ้น
การเปิดตัวครั้งนี้มีบริษัทระดับโลกอย่าง Zillow, Deutsche Telekom, Priceline, Vimeo และ BolnaAI เข้าร่วมทดสอบระบบจริงก่อนเปิดตัวอย่างเป็นทางการ สะท้อนว่าเทคโนโลยี Voice AI กำลังถูกผลักดันเข้าสู่การใช้งานจริงในหลายอุตสาหกรรม
3 โมเดลใหม่ที่เปลี่ยนการคุยกับ AI
โมเดลแรกคือ GPT-Realtime-2 ซึ่งเป็น AI เสียงตัวแรกของ OpenAI ที่มีความสามารถด้านการให้เหตุผลระดับเดียวกับ GPT-5 ทำให้การพูดคุยมีความเข้าใจบริบทและตอบสนองได้ฉลาดขึ้น
อีกตัวคือ GPT-Realtime-Translate ที่รองรับการแปลสดมากกว่า 70 ภาษา ช่วยให้การสนทนาข้ามภาษาเกิดขึ้นแบบเรียลไทม์ ส่วน GPT-Realtime-Whisper ถูกออกแบบมาสำหรับถอดเสียงเป็นข้อความทันที แม้ผู้พูดยังพูดไม่จบ ระบบก็สามารถแปลงคำพูดออกมาได้แบบสตรีมมิ่ง
Voice AI ไม่ได้แค่ “พูดได้” แต่ต้อง “คิดเป็น”
OpenAI อธิบายว่า AI เสียงยุคใหม่ไม่ได้แข่งขันกันแค่เรื่องความเร็วหรือเสียงสมจริงอีกต่อไป แต่ต้องเข้าใจเจตนาของผู้ใช้ จำบริบทระหว่างบทสนทนา และสามารถใช้เครื่องมือต่าง ๆ ระหว่างคุยได้
ตัวอย่างเช่น Zillow กำลังพัฒนา AI ที่ให้ผู้ใช้สั่งด้วยเสียงว่า “หาบ้านตามงบของฉัน เลี่ยงถนนรถติด และนัดดูบ้านวันเสาร์” แล้วระบบจะจัดการให้ครบแบบอัตโนมัติ ขณะที่ Deutsche Telekom ทดลองระบบบริการลูกค้าที่ให้ลูกค้าพูดภาษาของตัวเอง แล้ว AI แปลให้อีกฝ่ายฟังแบบสดทันที ส่วน Priceline กำลังผลักดันการวางแผนท่องเที่ยวด้วยเสียง ตั้งแต่จองเที่ยวบิน โรงแรม ไปจนถึงแก้ปัญหาเที่ยวบินดีเลย์
เพิ่มระบบความปลอดภัย ป้องกันใช้งานผิดทาง
แม้ความสามารถของ AI จะก้าวหน้าอย่างมาก แต่ OpenAI ระบุว่า Realtime API มีระบบตรวจจับเนื้อหาอันตรายแบบ Active Classifier เพื่อช่วยหยุดบทสนทนาที่อาจละเมิดนโยบายความปลอดภัย
นอกจากนี้ นักพัฒนายังสามารถเพิ่มระบบ Guardrail ของตัวเองผ่าน Agents SDK เพื่อควบคุมการทำงานของ AI ให้เหมาะกับแต่ละบริการได้อีกด้วย
tags openai
