De acordo com Beating, a OpenAI lançou três modelos de voz na sua Realtime API: GPT-Realtime-2 para conversação por voz com raciocínio, GPT-Realtime-Translate para tradução em tempo real e GPT-Realtime-Whisper para transcrição em streaming. O GPT-Realtime-2 é o primeiro modelo de voz da OpenAI com capacidade de raciocínio ao nível do GPT-5, expandindo a janela de contexto de 32K para 128K tokens, com suporte para até 1-2 horas de conversação densa.
O GPT-Realtime-2 melhorou 15,2% no benchmark Big Bench Audio e 13,8% no Audio MultiChallenge em comparação com o GPT-Realtime-1.5. O GPT-Realtime-Translate suporta mais de 70 línguas de entrada para traduzir para 13 línguas de saída. Preços: GPT-Realtime-2 a 32 USD/milhão de tokens de entrada e 64 USD/milhão de tokens de saída; Translate a 0,034 USD/minuto; Whisper a 0,017 USD/minuto.