فهم النماذج الصوتية الأصلية من الصوت إلى الصوت
تجمع روبوتات الصوت القديمة بين ثلاثة نماذج منفصلة: تحويل الكلام إلى نص (نسخ ما قاله المتصل)، ونموذج لغوي (تحديد الاستجابة)، وتحويل النص إلى كلام (تركيب الرد المنطوق). تضيف كل قفزة زمن استجابة، ويبلغ متوسط الزمن الإجمالي للذهاب والإياب من 2.5 إلى 4 ثوانٍ. تعالج النماذج الأصلية من الصوت إلى الصوت الموجة الصوتية الخام مباشرة، ما يزيل قفزتين من الثلاث. ينخفض زمن الاستجابة إلى أقل من ثانية واحدة، ويُحافَظ على النبرة والتجويد، ويبدو تدفق المحادثة بشريًا. يدعم GPT-4o realtime وGemini 2.0 audio وبعض متغيرات Llama 3 المضبوطة بدقة هذا الآن بشكل أصلي. تتطلب عمليات النشر الإنتاجية نقطة نهاية مستضافة في الاتحاد الأوروبي لتلبية Schrems II.