معرفی gpt‑Realtime و امکانات جدید API
OpenAI در آخرین به‌روزرسانی خود، gpt‑realtime را معرفی کرده که امکان گفتگوی صوتی‑به‑صوت در زمان واقعی را فراهم می‌کند. این مدل، بوجود آمدن یک رابط ساده‌تر برای توسعه‌دهندگان می‌گوید تا بتوانند تعامل‌های زنده را بدون نیاز به پیش‌پردازش متن ایجاد کنند.
ویژگی‌های برجسته مدل گفتگوی صوتی‑به‑صوت
- پشتیبانی از سرور MCP برای بارگذاری سریع‌تر.
- ورودی تصویر برای تکمیل دستورات و پاسخ‌های چندرسانه‌ای.
- یکپارچگی با تماس‌های SIP برای ارتقای تجربهٔ تلفن‌گستری مبتنی بر هوش مصنوعی.
- پشتیبانی از APIهای نوین برای قابلیت‌های انطباق گذاری سفارشی.
این به‌روزرسانی سطح پایین، توسعه‌دهندگان را قادر می‌سازد تا ابزارهای ارتباطی پیچیده‌تری را به سرعت پیاده‌سازی کنند و به کاربران امکان می‌دهد تا با مدل GPT‑4 Turbo به شکل درگیرکننده‌تری تعامل داشته باشند.
چگونه تماس‌های SIP و ورودی تصویر به گفتگوی هوش مصنوعی افزوده می‌شود
با افزودن پشتیبانی از SIP phone calling، امکان برقراری تماس به صورت مستقیم از اپلیکیشن‌های تلفن‌کارتان وجود دارد. ورودی تصویر امکان ساخت ترکیبی از متن و تصویر را برای تولید پاسخ‌های دقیق‌تر فراهم می‌کند. نتیجه نهایی، تجربهٔ گوینده‑صوتی کاملاً یکپارچه و چندرسانه‌ای است.
پرسش‌های پرتکرار
چه تفاوتی میان gpt‑realtime و GPT‑4 Turbo در حالت عادی وجود دارد؟
gpt‑realtime نسخهٔ ویژه‌ای است که بر تعامل صوتی‑به‑صوت در زمان واقعی تمرکز دارد، در حالی که GPT‑4 Turbo در حالت متنی می‌تواند پاسخ متنی سریع‌تر تولید کند.
چگونه می‌توان از تماس SIP در پروژهٔ خود استفاده کرد؟
توسط مستندات API OpenAI، می‌توانید سرویس SIP را به عنوان ورودی صوتی به مدل اضافه کنید. این امکان را می‌دهد تا گفتگوهای تلفنی فراخوانی شود و پاسخ‌های مدل در زمان واقعی برگردانده شوند.
