GPT-Realtime-2.1-mini คือโมเดลเสียงเรียลไทม์ตัวใหม่ของ OpenAI…
เล่าปัญหาเดิมก่อน ที่ผ่านมาคนทำ voice agent ต้องเลือกอย่างใดอย่างหนึ่ง จะเอารุ่น mini ที่เร็วและถูกแต่ค่อนข้างโง่ เรียกเครื่องมือหรือคิดเป็นขั้นตอนได้ไม่ดี หรือจะเอารุ่นใหญ่ที่ฉลาดแต่แพงและช้ากว่า รอบนี้ OpenAI เอา trade-off ตรงนี้ออกไป คือได้ของถูกแต่มีสมองพอใช้งานจริง
ตัว mini นี้เป็น distilled reasoning model แปลว่ากลั่นความสามารถการคิดมาจากรุ่นใหญ่ให้เล็กลงและเร็วขึ้น มันรับ input ได้ทั้งข้อความ เสียง และรูปภาพ ส่วน output เป็นข้อความกับเสียง ต่อเข้าระบบได้หลายทางทั้ง WebRTC, WebSocket และ SIP เลยเอาไปทำได้ทั้งเว็บ แอป และระบบโทรศัพท์อย่าง call center
ราคาคือจุดที่คนพูดถึงมากสุด ฝั่งข้อความอยู่ที่ input ล้านโทเคนละ 0.60 ดอลลาร์ output 2.40 ดอลลาร์ ส่วนเสียง input ล้านละ 10 ดอลลาร์ output 20 ดอลลาร์ แล้วยังมี cached input ที่ถูกลงไปอีกมาก และของแถมที่ได้ทั้งไลน์คือ OpenAI ลด p95 latency ลงอย่างน้อย 25% ทั่วทุกโมเดลเสียงเรียลไทม์ ด้วยการปรับปรุงระบบ caching
รอบนี้เขาออกคู่กันกับรุ่นเต็ม GPT-Realtime-2.1 ด้วย ซึ่งเป็นการอัพเกรดจากตัวก่อน ปรับพวกการรับมือเสียงรบกวน ความเงียบ การถูกพูดแทรกกลางคัน และอ่านตัวเลขตัวอักษรแม่นขึ้น เหมาะกับงานที่ซับซ้อนและต้องการความฉลาดสูง
รีวิวช่วงนี้ยังเป็นระยะแรกเพราะเพิ่งออก แต่โทนโดยรวมค่อนข้างบวก โดยเฉพาะสายที่ทำ voice agent งบไม่เยอะ เพราะได้ reasoning กับ tool use ในราคาเดิม ส่วนเสียงบ่นที่เห็นคืออยากให้มีในแอป ChatGPT ด้วย ไม่ใช่แค่ API กับ Playground และบางคนยังมองว่าโมเดลเสียงเรียลไทม์โดยรวมยังไม่นิ่งพอสำหรับงาน production จริงจังเต็มร้อย
ความเห็นผมคือ ทิศทางนี้น่าสนใจมาก เพราะราคาที่ถูกลงแต่ฉลาดขึ้นคือตัวเร่งให้ voice agent ไปโผล่ในของใช้จริงเยอะขึ้น ทั้ง call center ผู้ช่วยจดประชุม หรืออุปกรณ์ IoT ที่คุยด้วยได้ ใครเป็น dev ลองเข้าไปเล่นใน Playground ของ OpenAI ได้เลย
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac