GPT Realtime Translate

GPT-Realtime-Translate to wyspecjalizowany model OpenAI do strumieniowego tłumaczenia mowy na mowę (speech-to-speech), opublikowany w ramach rodziny Realtime API. Model przyjmuje strumień audio źródłowego i zwraca przetłumaczone audio oraz delty transkrypcji jeszcze w trakcie wypowiedzi mówcy, z obsługą zarówno transkryptu źródłowego, jak i docelowego.

Sesje tłumaczeniowe korzystają z odrębnego endpointu /v1/realtime/translations zamiast standardowego /v1/realtime używanego przez agentów głosowych. Architektura jest zaprojektowana wokół ciągłego strumienia audio (bez wywołań response.create), z modelem działającym jako tłumacz, a nie asystent. Obsługiwany jest transport WebRTC (audio jako media track) oraz WebSocket (PCM16 24 kHz w base64).

Typowe zastosowania obejmują tłumaczenia symultaniczne, transmisje wielojęzyczne, spotkania, lekcje, rozmowy konferencyjne i wsparcie klienta. Rozliczanie odbywa się według długości audio (USD za minutę), a nie według tokenów.