Présentation
GPT-Realtime-Whisper est un modèle de reconnaissance vocale en flux, conçu pour transcrire la parole en texte à faible latence pendant que la personne parle. Il est disponible dans l’API Realtime d’OpenAI. L’annonce officielle est datée du 7 mai 2026. (openai.com)
Capacités et usages
- Production progressive de segments de transcription à partir d’un flux audio en direct. Le paramètre
delaypermet de régler le compromis entre latence et précision. (developers.openai.com) - Usages cités par OpenAI : sous-titrage de réunions, cours, diffusions et événements ; prise de notes en direct ; compréhension continue de la parole par des agents vocaux. La transcription peut aussi alimenter des processus de suivi ou de résumé. (openai.com)
Limites
- L’audio est pris en charge en entrée uniquement ; le modèle ne produit pas de sortie audio. Les images et la vidéo ne sont pas prises en charge. (developers.openai.com)
- Les appels de fonctions, les sorties structurées et le fine-tuning ne sont pas pris en charge. La fenêtre de contexte annoncée est de 16 000 tokens, avec un maximum de 2 000 tokens en sortie. (developers.openai.com)
- Pour une session de transcription avec ce modèle, la détection des tours doit être réglée sur
null: la détection d’activité vocale (VAD) n’est pas prise en charge. (developers.openai.com)
Tarification API
Le tarif officiel est de 0,017 USD par minute d’audio en temps réel. La facturation repose sur la durée audio, et non sur le nombre de tokens textuels. La grille ne publie pas de tarif distinct par token d’entrée ou de sortie pour ce modèle ; les champs correspondants sont indiqués par des tirets. Tarif consulté le 16 novembre 2026. (developers.openai.com)