La famiglia di modelli vocali di OpenAI entra in una nuova fase con il lancio di GPT-Realtime-2, un aggiornamento che sposta in modo deciso il confine di ciò che un agente vocale può fare in tempo reale. Non si tratta di un semplice miglioramento della qualità audio, ma di un ripensamento architetturale che porta ragionamento avanzato, uso di strumenti e contesto esteso dentro una conversazione parlata.
OpenAI ha rilasciato contemporaneamente tre modelli nella sua Realtime API. GPT-Realtime-2 è il cuore del pacchetto, un modello nativo speech-to-speech che OpenAI descrive come dotato di ragionamento di classe GPT-5. Accanto ad esso arrivano GPT-Realtime-Translate, capace di tradurre in streaming da oltre settanta lingue di input verso tredici lingue di output, e GPT-Realtime-Whisper, pensato per la trascrizione in tempo reale. Il salto rispetto al predecessore realtime-1.5, rilasciato circa tre mesi fa e ancora basato sull’intelligenza di GPT-4o, è evidente nei numeri: il miglioramento su Big Bench Audio passa da un modesto cinque percento a oltre quindici punti percentuali.
Le novità tecniche più rilevanti riguardano la gestione della conversazione come sistema dinamico e non come sequenza di domande e risposte. La finestra di contesto passa da 32K a 128K token, il che significa sessioni molto più lunghe senza perdita di memoria. Il modello gestisce le interruzioni con naturalezza, può chiamare più strumenti in parallelo rendendo udibili le azioni in corso, e offre agli sviluppatori cinque livelli di intensità di ragionamento regolabili da minimal a xhigh. I benchmark indipendenti confermano il progresso: Scale AI posiziona GPT-Realtime-2 al primo posto nel suo leaderboard Audio MultiChallenge, con la ritenzione delle istruzioni che balza dal trentasei al settanta percento.
Sul piano delle applicazioni concrete, i primi risultati sono incoraggianti. Glean ha registrato un aumento di quasi il quarantatré percento in utilità percepita nelle interazioni vocali organizzative, mentre Genspark ha visto crescere del ventisei percento il tasso di conversazioni efficaci nel suo agente telefonico. Vimeo ha dimostrato il doppiaggio dal vivo senza sottotitoli precaricati. Il prezzo rimane invariato rispetto al modello precedente, a poco più di un dollaro per ora di input audio e circa quattro dollari e sessanta centesimi per ora di output.
Il quadro che emerge colloca la release dentro una transizione più ampia. La voce sta passando da interfaccia accessoria a canale primario per agenti autonomi, e la competizione si fa più serrata con Grok Voice di Musk che punta al supporto clienti. La sfida ora non è più solo nel modello, ma nella progettazione del sistema che lo circonda, dalla gestione dello stato alla semantica delle interruzioni, fino al recupero dagli errori. Un terreno dove l’ingegneria applicativa conta quanto la potenza del modello, e chi saprà costruire esperienze vocali realmente fluide avrà un vantaggio competitivo difficile da colmare.
