GPT-Realtime-2 tuo päättelyn ääneen
OpenAI julkisti torstaina kolme uutta puhemallia ohjelmointirajapintaansa. Lippulaiva GPT-Realtime-2 korvaa aiemman 1.5-version ja nostaa konteksti-ikkunan 128 000 tokeniin. Yhtiön mukaan malli päättelee samalla tasolla kuin GPT-5, mutta ääniväylällä. Käytännössä puhebotti voi seurata pitkiä keskusteluja ja palata aiemmin sanottuun ilman, että ymmärrys katkeaa kesken puhelun.
Hinta on 32 dollaria miljoonalta äänen input-tokenilta ja 64 dollaria miljoonalta output-tokenilta. Välimuistitettu syöte tippuu 0,40 dollariin. Vertailun vuoksi Googlen Gemini Live -rajapinnassa äänen syötetokenit maksavat noin yhden dollarin miljoonalta, eli OpenAI:n hinta on monikymmenkertainen. Anthropic ei ole tuonut vielä vastaavaa reaaliaikaista puhemallia markkinoille.
Käännös 70 kielestä 13:lle – suomi vain sisään
GPT-Realtime-Translate ottaa vastaan yli 70 kieltä ja kääntää ne 13 ulostulokielelle. Listalla ovat englanti, espanja, portugali, ranska, saksa, italia, japani, korea, kiina, venäjä, hindi, indonesia ja vietnam. Suomi on syötekielten joukossa, mutta jos suomalainen yritys haluaa puhekäännöksen vaikkapa naapurin ruotsiksi, palvelu ei sitä tarjoa. Suomesta saksaan onnistuu, ruotsiin tai suomesta suomeksi ei – ainakaan vielä.
Kolmas malli, GPT-Realtime-Whisper, litteroi puhetta virtaavasti hintaan 0,017 dollaria minuutilta. Käännös maksaa 0,034 dollaria minuutilta. Litterointi toimii samalla logiikalla kuin tekstin pikadiktaus: sanat tulevat ruudulle samalla, kun puhuja jatkaa lausettaan, eikä mallin tarvitse odottaa lauseen päättymistä.
Mitä tämä merkitsee suomalaiselle kehittäjälle
Hinta on Suomi-kulmasta kaksipiippuinen kysymys. Tunnin asiakaspalvelukeskustelu, jossa käyttäjä puhuu ja malli vastaa, maksaa GPT-Realtime-2:lla karkeasti 5–15 dollaria riippuen siitä, kuinka pitkiä vastauksia malli tuottaa. Sama ajo Geminillä jäisi reilusti alle dollarin. Hintaero perustellaan päättelykyvyllä, ja peruste pitää terveydenhuollon ja juridiikan kaltaisissa monimutkaisissa käyttötapauksissa. Vuoronvaraukseen ylihinta on selvä.
Kotimaisilla puheentunnistuksen toimijoilla, kuten Speechlyllä (nykyään Robloxin omistuksessa) ja Voice Pro:lla, on edelleen oma kapeikkonsa: kotimaisten murteiden ja ammattisanaston tarkkuus on monessa kotimaisessa testissä parempi kuin yleismalleilla. OpenAI:n etu on integraatio – yksi rajapinta hoitaa puheen, päättelyn ja työkalukutsut. Kotimainen vaihtoehto vaatii liimakoodia, mutta tarjoaa hallintaa siihen, missä data majailee. EU-datasääntelyä noudattavalle organisaatiolle se ratkaisu painaa enemmän kuin sentin halvempi tokenihinta.
Tulkkialalle uusi paine
Kääntäjien ja tulkkien ammattikuntaa malli koettelee suoraan. Asioimistulkkaus suomi–englanti maksaa Suomessa noin 80–120 euroa tunti. GPT-Realtime-Translate ajaa saman tunnin parilla eurolla, jos suomi syötetään ja englantia tulee ulos. Laatua ei ole vielä rinnakkaintestattu kotimaisilla aineistoilla, mutta hinta-asteikko on niin eri, että yksinkertaiset käyttötapaukset – matkailuneuvonta, perustason asiakaspalvelu, kunnan info-pisteet – siirtyvät malliin nopeasti.
Listan 13 ulostulokieltä on samalla viesti siitä, mitä markkinoita yhtiö priorisoi. Suomi pääsi syötteeksi, koska Whisper on jo harjoitettu sille. Laadukas puheentuotto suomeksi vaatisi enemmän treenidataa kuin yhtiöllä on motivaatiota kerätä viiden miljoonan kielimarkkinaan. Tähän rakoon mahtuu se, minkä kotimaiset puheteknologiatalot voivat itselleen rakentaa – jos ne ehtivät.
