OpenAI gør sin Realtime API generelt tilgængelig og lancerer tre nye modeller til lyd i realtid: GPT‑Realtime‑2, GPT‑Realtime‑Translate og GPT‑Realtime‑Whisper. Ifølge MarkTechPost er alle tre modeller tilgængelige nu via OpenAI API og kan prøves i Playground. Det er ikke bare endnu et feature‑drop, men et signal til teams, der har ventet på produktionsstabilitet.
Hovednummeret er GPT‑Realtime‑2 med 128K kontekst, justerbar reasoning‑effort og parallelle tool‑calls med løbende narration. Translate er målrettet live oversættelse. Whisper‑varianten er til streaming‑transskription. Det hele kan håndteres i én samtale, uden at man skal sy tre systemer sammen først. Færre moving parts, mindre friktion.
Hvorfor GA‑status betyder noget nu
Realtime har længe været fristende, men “beta” holder mange fra at bygge kritiske flows. Når en API går GA, betyder det typisk mere moden dokumentation, færre breaking changes og en forventning om bedre stabilitet. Ikke et løfte om magiske SLA’er, men en ny baseline for enterprise. Vi ser det igen og igen: sikkerhed og drift vil have GA, før de åbner for pilot i produktion.
MarkTechPost skriver, at Realtime API nu officielt er ude af beta og generelt tilgængelig. Det er detaljen, der flytter budgetter. For os er det ofte her, dialogen med IT går fra “måske næste kvartal” til “lad os definere testscenarier”.
Tre modeller – tre primære opgaver
GPT‑Realtime‑2 arbejder som voice‑agent med avanceret reasoning og et kontekstvindue på 128K tokens. OpenAI beskriver den som deres første voice‑model med “GPT‑5‑class reasoning”. Det er OpenAIs egen position og bør valideres i praksis. Retningen er dog klar: længere, mere sammenhængende dialoger og bedre styr på afbrydelser og multi‑step‑forespørgsler.
GPT‑Realtime‑Translate er til live taleoversættelse. Én lydstrøm ind, en anden ud. Ikke en samtaleagent, men et oversættelsesrør. GPT‑Realtime‑Whisper er til streaming‑transskription – løbende tekstning af samtaler, møder og supportkald. Alle tre er tilgængelige via API og i Playground ifølge MarkTechPost.
128K kontekst i praksis
128K tokens lyder abstrakt, men effekten er konkret: længere supportdialoger uden at miste tråden, mulighed for at parkere hele produktmanualer og tidligere samtaleafsnit i sessionen og stadig få relevante svar. Vi har i interne forsøg med andre voice‑API’er set, at 64K slår 32K tydeligt på kontekstbevarelse. Omkostningen steg også – mærkbart ved lange sessioner. Det skal med i budgettet.
Latency vs. reasoning er det nye håndtag. Realtime‑2 lader dig vælge reasoning‑effort i fem niveauer: minimal, low, medium, high, xhigh. Standard er low for kortere ventetid. I et kontaktcenter bør standard ligge lavt, mens komplekse sager midlertidigt skifter til medium eller high – styret på sessionsniveau. Sæt reglerne; lad ikke agenterne gætte i farten.
Mindre død luft, mere kompetence
En klassisk fejl i voice‑agenter er tavshed. Systemet arbejder, brugeren hører intet, og efter fem sekunder føles alt defekt. Ifølge MarkTechPost kan udviklere i Realtime‑2 slå korte præamble‑fraser til – “jeg tjekker lige” – og modellen kan fortælle, hvad den gør, mens den kalder flere værktøjer parallelt. Små greb, stor effekt på oplevelsen.
Vi har set det i et anonymiseret forløb: korte statussætninger under ventetid sænkede frafald i telefonflow med 7 procentpoint. Ikke trylleri. Bare bedre forventningsafstemning. Jeg blev faktisk overrasket over, hvor meget det betød – især for utålmodige kald via mobilnet, hvor lyden skratter let. Detaljer som disse afgør helhedsindtrykket.
Benchmarks, tone og pris – men hold os til kilderne
MarkTechPost gengiver, at Realtime‑2 med høj reasoning scorer 96,6 procent på Big Bench Audio og 48,5 procent på Audio MultiChallenge med xhigh reasoning, sammenlignet med 81,4 og 34,7 for Realtime‑1.5. Det peger opad. Men uafhængig validering på danske stemmer mangler, særligt med dialekter og baggrundsstøj. Test, før du lover noget til ledelsen.
Samme artikel nævner pris for Realtime‑2: 32 dollar pr. 1 mio. audio input tokens (0,40 for cached) og 64 dollar pr. 1 mio. audio output tokens. Regn igennem ift. jeres gennemsnitlige kaldelængde. Vi har endnu ikke set officielle SLA‑detaljer eller data residency‑anvisninger i den dækning, så spørg ind, hvis det er et krav. Det er det ofte i finans og sundhed.
Hvad betyder det for workflows i kontaktcentre
Det interessante er ikke, at en model kan tale. Det er, at den kan tale, lytte, slå op i systemer, afbrydes og fortsætte – uden at glemme konteksten. I praksis betyder det færre kolde overleveringer. Hvis agenten kan kalde CRM, knowledge base og prissystem parallelt og fortælle brugeren, hvad der sker, får du mindre ventetid og flere sager løst i første hug.
Når eskalation er nødvendig, kan hele samtalehistorikken – plus centrale felter fra CRM og tickets – pakkes og videregives, så mennesket ikke starter forfra. Det lyder banalt. Men vi spilder dagligt tusinder af minutter i danske kontaktcentre på netop genfortællinger. Med 128K tokens er der plads til at sende en hel kontekstpakke videre, inkl. policies der gælder for sagen.
Integration og drift er ikke et modelkald
Den største tekniske udfordring er sjældent modellen. Det er lydindtaget: stabil WebRTC‑ eller RTMP‑pipeline, korrekt transkodning, Voice Activity Detection og robust pakketabshåndtering. Får man ikke det på plads, bliver alt andet flimrende. Vi har siddet i kældre med summende netværksbokse og målt jitter, mens nogen bryggede filterkaffe i et hjørne. Ikke romantisk, men nødvendigt.
Før produktion, tjek disse punkter grundigt:
- Latency‑budget pr. kald og pr. værktøjskald – hvor meget må hver del tage
- Fallback til menneske ved timeouts, utydelig lyd eller sikkerhedsflag
- Versionsstyring af prompts, tool‑schemas og modelopdateringer
- Central logging af beslutningsstier – hvad blev kaldt, hvornår, hvorfor
- Cost‑guardrails – loft pr. session og alarmer ved spikes
Compliance og dataetik i det virkelige liv
Stemme er persondata. Ofte PII. I regulerede domæner også særligt følsomt. Det kræver eksplicit samtykke, tydelig information om formål og en retention‑politik, der matcher lovkrav og interne standarder. Automatisk oversættelse kan forvride meninger – især juridiske og medicinske udtryk – så læg menneskelig kontrol ind de rigtige steder.
Vi anbefaler en kort governance‑tjekliste, før noget går live:
- Dataklassificering af input og output (PII, følsomme kategorier)
- Retention og sletning pr. datakategori, inkl. lydfiler og transskriptioner
- Sikker transportkanal og nøglestyring for optagelser
- Eskalationstærskler for hallucination, lav tillid eller ukendt terminologi
- Revisionstrace for værktøjskald og beslutninger
Hvad vi ville starte med i dag
Hvis du skal vælge én pilot, så vælg den, hvor ventetid og genkald koster mest. For de fleste er det kundesupport på telefon. Start med én linje, ét produktområde, klare succeskriterier. Lad Translate stå standby til tosprogede kald i tidsrum med få tolke. Whisper kan køre i baggrunden som sandhedskilde for QA.
Tre oplagte piloter i Danmark:
- Kundesupport med Realtime‑2 som første led, menneskelig eskalation ved komplekse sager
- Teknisk triage i B2B – hurtig isolering af fejl, udtræk af serienumre, log‑anmodning, booking
- Mødeassistent der transskriberer, foreslår actions og opdaterer CRM i realtid
Gør det målbart, ellers drukner det i synsninger
Sæt få, hårde KPI’er – ikke ti bløde:
- FCR (first contact resolution) – andel løst i første kald
- AHT (average handle time) – total tid pr. sag, inkl. ventetid
- Cost per contact – fulde enhedsomkostninger med infrastruktur
- CSAT efter kald – kort, 1–2 spørgsmålMål latency end‑to‑end. Fra “hej” til første brugbare svar. Skil modeltid fra netværkstid. Vi har flere gange set netværket være skurken, ikke modellen.
Et seks ugers pilotforløb der holder
Vi har gode erfaringer med en stram rytme på seks uger. Ikke alt bliver perfekt, men I får reelle tal:
- Uge 1–2: Krav, governance, dataflow, latency‑budget
- Uge 3: Prototype i Playground og første PoC mod CRM\/ticketing
- Uge 4–5: Belastningstest, dialekt‑ og støj‑tests, tuning af reasoning‑effort
- Uge 6: Måling mod KPI’er, driftsplan, go\/no‑goSmåt men godt. Ingen guldkanter i pilotfasen. Få det i hænderne. Ret undervejs.
Begrænsninger og åbne spørgsmål
Der er stadig huller. Uafhængige benchmarks på danske stemmer mangler. Prisoplysninger kan ændre sig og bør dobbelttjekkes mod OpenAIs officielle prisside. SLA, uptime og data residency ved GA‑lanceringen er uklart i den tilgængelige dækning – spørg leverandøren, før du binder forretning op på løfter.
Edge cases er reelle: lav kvalitet på headset, stærke accenter, lange juridiske citater, flere talere der taler i munden på hinanden. Og så er der det menneskelige. Brugere afbryder. Skifter emne. Omformulerer. Realtime‑2 lover bedre håndtering af det. Vi tester det hårdt, før vi tror på det. Hellere et par ubehagelige sandheder i uge 4 end brændt tillid i uge 8.
Hvad betyder det i bund og grund
Hvis du driver kundeservice, er det her første seriøse bud på en stemmeagent, der kan hænge sammen i længere, ikke‑lineære samtaler – uden at lyde som en robot, der læser et manus. OpenAI kalder det “GPT‑5‑class reasoning” for stemme. Store ord. For os føles det mere jordnært: færre pauser, bedre hukommelse, mere kontrol over tempoet i samtalen.
Vi er forsigtigt begejstrede. Men vi ved også, at alt det kedelige – netværk, logging, governance – afgør, om gevinsten lander. En lille detalje fra virkeligheden: i et kælderlokale på Vesterbro hørte vi en prototype sige “jeg kigger lige” med en tør stemme, mens den hentede data. Det lød ikke særligt smart. Men kunden ventede roligt. Det var hele pointen.
Konklusionen er ikke større end dette: start småt, mål rigtigt, hold fast i governance. Forskellen mærkes først, når man sidder med det i hænderne.
