OpenAI objavio GPT-Realtime-2.1 i mini varijantu: poboljšano prepoznavanje glasa i rukovanje šumom

OpenAI je u changelogu od 6. srpnja 2026. objavio dva nova modela za realtime glasovnu komunikaciju: GPT-Realtime-2.1 i GPT-Realtime-2.1-mini. Oba su dostupna na postojećem v1/realtime endpointu bez potrebe za infrastrukturnim promjenama na strani developera.

Što donose novi modeli?

Changelog specificira tri konkretna područja poboljšanja u odnosu na prethodnu generaciju:

Prepoznavanje alfanumeričkih nizova — poboljšana sposobnost točnog prepoznavanja mješovitih sekvenci slova i znamenki u glasovnom ulazu. Ovo je posebno relevantno za poslovne primjene gdje korisnici izgovaraju serijske brojeve, šifre proizvoda, e-mail adrese, PIN-ove ili lozinke. Greška u prepoznavanju alfanumeričkog niza nije estetska, nego funkcionalna mana — direktno blokira tijek interakcije.

Rukovanje tišinom i šumom — modeli bolje razlučuju namjernu tišinu od tehničke pauze, i robustnije filtriraju pozadinski šum koji može remeti prepoznavanje. U realnim uvjetima deployirani glasovni agenti suočavaju se s mikrofon šumom, ambijentalnim zvukom iz ureda ili javnih prostora i varijabilnom kvalitetom mrežne veze — sve su to rubni slučajevi koji u praksi generiraju najveći broj korisničkih pritužbi i padova u preciznosti transkripcije.

Ponašanje pri prekidanju (interruption handling) — poboljšano upravljanje situacijama gdje korisnik prekida govor modela. Prirodno upravljanje prekidima jedan je od ključnih faktora koji razlikuje glasovnog agenta koji zvuči „robotski” od onog koji zvuči prirodno i responzivno. Kada model ne reagira pravovremeno na prekid, ili nastavi govoriti nakon što ga korisnik prekine, korisničko iskustvo se raspada bez obzira na kvalitetu sadržaja.

Detalji o cijenama i latenciji nisu objavljeni u changelogu od 6. srpnja.

Dva modela, jedan endpoint

GPT-Realtime-2.1 je pozicioniran kao ažurirani reasoning model za glasovne primjene. Nasljeđuje reasoning sposobnosti prethodne generacije uz fokus na preciznost u rubnim slučajevima koji su identificirani kao najčešći uzroci grešaka u deployiranim glasovnim agentima.

GPT-Realtime-2.1-mini je destilirana varijanta namijenjena drukčijem segmentu tržišta: brži i jeftiniji deployimenti gdje je troškovna isplativost prioritet ispred maksimalnih reasoning sposobnosti. Ovo je tipičan profil za glasovne agente u customer service centrima, interaktivne IVR sustave ili consumer aplikacije s visokim volumenom poziva i uskim marginama po interakciji. Mini varijanta ne znači kompromitiran kvalitet prepoznavanja — znači destilaciju koja zadržava ključna poboljšanja uz manji računalni trošak.

Oba modela rade na istom v1/realtime endpointu. Developeri koji već koriste OpenAI Realtime API mogu testirati nove modele promjenom jednog parametra, bez ikakvih infrastrukturnih promjena ili migracije.

Zašto realtime glasovni modeli postaju strateški segment

Glasovni AI agenti postali su praktično deployiran segment AI infrastrukture — od customer service botova do glasovnih sučelja za enterprise aplikacije, pristupačnosnih alata i navigacijskih sustava. Zahtjevi za pouzdanost u ovom segmentu izrazito su visoki iz jednog strukturnog razloga: za razliku od tekstualnih modela gdje korisnik može vidjeti pogrešku i korigirati je, glasovni agent u realnom vremenu nema mehanizam korekcije. Korisnik dobiva pogrešan odgovor ili prekida interakciju — nema sive zone.

Iterativno unapređivanje na razini prepoznavanja i rukovanja rubnim slučajevima — bez promjene endpointa — tipičan je OpenAI-ev pristup za ovaj segment: razvoj se odvija inkrementalno, a migracija za developere ostaje minimalna. Backward-compatible isporuka smanjuje trenje usvajanja i omogućuje A/B testiranje između starih i novih modela bez infrastrukturnih troškova.

GPT-Realtime-2.1 i mini varijanta nastavljaju ovaj obrazac: konkretna poboljšanja upravo u onim rubnim slučajevima koji su u praksi najčešći uzroci pritužbi — prepoznavanje alfanumeričkih nizova, šum, prekidi — uz isporuku koja ne zahtijeva izmjene na strani aplikacijske infrastrukture.

Za developere koji grade glasovne aplikacije, ključna informacija je da nema loma kompatibilnosti: isti endpoint, ista integracijska logika, novi model kao parametar. Povećanje kvalitete prepoznavanja u rubnim uvjetima izravno utječe na metrike zadovoljstva korisnika, stopu uspješne interakcije i postotak odustajanja — što su za glasovne agente u produkciji kritični KPI-evi. OpenAI nije objavio benchmark brojke ni usporednu latenciju, no poboljšanja navedena u changelogu — prepoznavanje alfanumeričkih nizova, rukovanje šumom i tišinom, interruption handling — ciljaju direktno na kategorije grešaka koje su operateri glasovnih sustava najčešće prijavljivali kao uzroke pada korisničke retencije.