OpenAI อัปเกรดโมเดลเสียงเรียลไทม์รุ่นประหยัด GPT-Realtime mini ให้คิดเป็นขั้นตอนและเรียกใช้เครื่องมือได้
GPT-Realtime mini คือโมเดลเสียงแบบเรียลไทม์รุ่นประหยัดของ OpenAI ที่ให้ AI ฟังคนพูดแล้วตอบกลับด้วยเสียงได้แบบสดๆ รอบนี้เพิ่มความสามารถคิดเป็นขั้นตอนและเรียกใช้เครื่องมือได้ แต่ยังเป็นโมเดลใน API สำหรับนักพัฒนา ไม่ใช่แอปที่กดใช้ได้เลย
GPT-Realtime mini คือโมเดลเสียงแบบเรียลไทม์รุ่นประหยัดของ OpenAI ที่ให้ AI ฟังคนพูดแล้วตอบกลับด้วยเสียงได้แบบสดๆ หน่วงต่ำ เป็นหนึ่งในโมเดลของ Realtime API ซึ่งเป็นชุด API เสียงแบบ speech-to-speech (พูดเข้าแล้วได้เสียงตอบกลับ) ที่ OpenAI ทำไว้สำหรับสร้างผู้ช่วยเสียงที่โต้ตอบได้ทันที ไม่ใช่การอัดไฟล์เสียงส่งไปประมวลผลทีละก้อน
ของใหม่ที่น่าสนใจรอบนี้คือ Realtime รุ่นใหม่เพิ่มความสามารถคิดเป็นขั้นตอน (reasoning) และเรียกใช้เครื่องมือ (tool use) ให้กับบทสนทนาด้วยเสียง เป็นความสามารถที่คนคุ้นกันในโมเดลฝั่งข้อความมากกว่า พอความสามารถนี้มาอยู่ในรุ่น mini ที่เป็นรุ่นราคาประหยัด จึงเปิดทางให้ทีมเล็กๆ ลองทำผู้ช่วยเสียงที่รับสาย ตอบคำถาม และดึงข้อมูลจริงได้ด้วยต้นทุนที่รับไหวขึ้น แต่ก่อนจะตื่นเต้น มีประโยคหนึ่งที่ต้องพูดให้ชัดตั้งแต่ต้น นี่เป็นโมเดลใน API สำหรับนักพัฒนา ไม่ใช่แอปที่เปิดขึ้นมากดใช้ได้เลย
เรียลไทม์ในที่นี้แปลว่าอะไร
คำว่าเรียลไทม์ฟังดูกว้าง แต่ในเอกสาร Realtime API ของ OpenAI มันมีความหมายเฉพาะเจาะจง OpenAI แนะนำให้เริ่มจากผลลัพธ์ที่อยากได้ก่อน ถ้างานคือเสียงสดที่ต้องโต้ตอบทันทีและรอนานไม่ได้ Realtime session (ช่วงการเชื่อมต่อแบบสดหนึ่งรอบ) คือคำตอบ แต่ถ้าเป็นไฟล์เสียง งานที่มีขอบเขตชัด หรือการสร้างเสียงพูดที่ไม่ต้องคุยโต้ตอบสด API เสียงแบบส่งเป็นคำขอทีละครั้งจะเหมาะกว่า
Realtime API ทำงานได้สามแบบ ได้แก่ ผู้ช่วยเสียงที่โต้ตอบกับผู้ใช้และเรียกเครื่องมือได้ · ล่ามแปลภาษาแบบต่อเนื่อง · และการถอดเสียงเป็นข้อความที่ส่งข้อความออกมาเรื่อยๆ โดยไม่ต้องให้โมเดลพูดตอบ สามแบบนี้ใช้รูปแบบการทำงานคนละอย่าง จึงต้องเลือกให้ตรงกับสิ่งที่แอปต้องการจริง
อีกจุดที่ต้องเลือกคือช่องทางรับส่งเสียง ซึ่ง OpenAI ให้มาสามทาง โดย WebRTC (มาตรฐานรับส่งเสียงและวิดีโอสดผ่านเบราว์เซอร์) เหมาะกับอุปกรณ์ฝั่งผู้ใช้ในเบราว์เซอร์หรือมือถือที่อัดและเล่นเสียงเองโดยตรง ส่วน WebSocket (ช่องเชื่อมข้อมูลสองทางแบบต่อเนื่อง) เหมาะเมื่อเซิร์ฟเวอร์ของเรารับสตรีมเสียงดิบมาจากระบบเบื้องหลังอยู่แล้ว เช่น ระบบรับสายโทรศัพท์หรือตัวประมวลผลเสียง ส่วน SIP (โปรโตคอลมาตรฐานของระบบโทรศัพท์) เป็นทางเลือกสำหรับต่อผู้ช่วยเสียงเข้ากับสายโทรศัพท์จริง จุดนี้เจ้าของธุรกิจฟังแล้วตาโตได้ไม่ยาก เพราะแปลว่า AI รับสายที่ลูกค้าโทรเข้ามาได้ ไม่ใช่แค่คุยผ่านหน้าเว็บ ใครจะต่อทางนี้ OpenAI มีไกด์ Realtime API with SIP อธิบายการต่อเข้าระบบโทรศัพท์ไว้เฉพาะ
ของใหม่ที่สำคัญกับผู้ช่วยเสียง
สิ่งที่เปลี่ยนไปในรุ่นใหม่ไม่ได้อยู่ที่เสียงไพเราะขึ้น แต่อยู่ที่โมเดลตัดสินใจได้ดีขึ้นสามเรื่อง
เรื่องแรกคือ reasoning ที่ปรับระดับได้ OpenAI ระบุว่า Realtime รุ่นใหม่ที่เอกสารเรียกว่า Realtime 2 เพิ่มการคิดเป็นขั้นตอนเข้ามาในงานเสียงแบบ speech-to-speech โดยแนะนำให้เริ่มตั้งค่า reasoning.effort ไว้ที่ low สำหรับผู้ช่วยเสียงที่ใช้งานจริงส่วนใหญ่ จากนั้นค่อยปรับขึ้นตามความซับซ้อนของงานกับระดับความหน่วงที่ยอมรับได้ พูดง่ายๆ คืองานถามตอบสั้นๆ ให้มันคิดน้อยเพื่อความเร็ว ส่วนงานที่ต้องไล่เงื่อนไขหลายชั้นค่อยเพิ่มระดับการคิดขึ้น
เรื่องที่สองคือการเรียกใช้เครื่องมือ ตารางความสามารถในหน้าข้อมูลโมเดลของ OpenAI ระบุว่า GPT-Realtime mini รองรับ function calling หมายความว่าระหว่างบทสนทนา โมเดลสั่งเรียกฟังก์ชันที่ทีมเขียนไว้ได้ เช่น เช็กสต็อกสินค้า ค้นฐานข้อมูลลูกค้า หรือจองคิว แล้วเอาผลลัพธ์กลับมาพูดต่อในสายเดียวกัน นี่คือเส้นแบ่งระหว่างแชตบอตที่ท่องบทได้อย่างเดียว กับผู้ช่วยที่ทำงานกับข้อมูลจริงได้
เรื่องที่สามคือการต่อเครื่องมือภายนอกผ่าน MCP OpenAI มีแนวทางชื่อ Realtime with tools สำหรับเชื่อม function tools · MCP server (มาตรฐานต่อเครื่องมือและข้อมูลภายนอกเข้ากับโมเดล) · และ connector เข้ากับ session เสียงโดยตรง จุดสำคัญคือมันเปิดให้ต่อเครื่องมือและข้อมูลฝั่งเราเองได้ ไม่ได้จำกัดอยู่แค่ความรู้ที่โมเดลมีติดตัวมา
ของใหม่ไม่ใช่เสียงที่ไพเราะขึ้น แต่คือโมเดลที่ตัดสินใจและหยิบข้อมูลจริงมาพูดได้
ต้นทุนที่ต้องดูให้ครบ ไม่ใช่แค่ราคาโทเคนข้อความ
ราคาเป็นเรื่องที่ต้องอ่านให้ละเอียด หน้าข้อมูลของโมเดลจาก OpenAI แสดงราคาโทเคนข้อความของ GPT-Realtime mini ไว้ชัดเจน และเมื่อเทียบกับ GPT-5 ที่ราคา input อยู่ที่ $1.25 ต่อล้านโทเคน รุ่น mini ที่ input $0.60 ก็อยู่ในกลุ่มประหยัดจริง สเปกและราคาที่ระบุไว้เป็นแบบนี้
| รายการ | ค่าที่ระบุในหน้าข้อมูลของโมเดล |
|---|---|
| Context window (ข้อมูลที่โมเดลจำได้ในบทสนทนาเดียว) | 32,000 tokens |
| Output สูงสุด | 4,096 tokens |
| ความรู้ในตัวอัปเดตถึง | 1 ตุลาคม 2023 |
| Input · โทเคนข้อความที่ส่งเข้า (ต่อ 1M) | $0.60 |
| Cached input · โทเคนข้อความเดิมที่นำกลับมาใช้ (ต่อ 1M) | $0.06 |
| Output · โทเคนข้อความที่ตอบออก (ต่อ 1M) | $2.40 |
ตัวเลข context window ที่ 32,000 โทเคน คือปริมาณบทสนทนาที่โมเดลจำได้ในรอบเดียว ส่วน output ตอบได้สูงสุด 4,096 โทเคน สองค่านี้พอสำหรับการคุยด้วยเสียงส่วนใหญ่ แต่ไม่ใช่โมเดลที่ออกแบบมาให้ป้อนเอกสารยาวทั้งเล่มเข้าไป รายละเอียดราคาฉบับเต็มดูได้ในหน้า Pricing ของ OpenAI
ใครใช้ได้ และเริ่มยังไง
ย้ำอีกครั้งเพราะสำคัญ GPT-Realtime mini เป็นโมเดลใน API ไม่ใช่แอปสำเร็จรูปที่ลากวางแล้วใช้ได้เลย คนที่หยิบไปใช้ตรงๆ คือนักพัฒนาหรือทีมที่เขียนโค้ดเชื่อมระบบเสียงเอง ส่วนเจ้าของธุรกิจที่อยากได้ AI รับสาย ยังต้องมีทีม dev หรือแพลตฟอร์มที่นำโมเดลนี้ไปทำเป็นระบบใช้งานให้อีกชั้น ต่างจากเครื่องมือ no-code แบบลากวางที่เปิดบัญชีแล้วเริ่มได้ทันที
ถ้าคุณเป็นฝั่ง dev วิธีเริ่มต้นแบบสั้นๆ เป็นแบบนี้
- เปิดไกด์ Voice agents ของ OpenAI แล้วเริ่มจาก Agents SDK (ชุดเครื่องมือช่วยเขียนผู้ช่วยเสียง) ที่ต่อเสียงในเบราว์เซอร์ผ่าน WebRTC ให้ได้ก่อน
- เชื่อม session ไปที่
/v1/realtimeแล้วตั้งreasoning.effortเป็นlowไว้เป็นค่าเริ่มต้น ถ้าคำตอบยังไม่ละเอียดพอค่อยขยับระดับขึ้น - ต่อเครื่องมือของคุณเข้าไป จะเป็นฟังก์ชันที่เขียนเอง หรือ MCP server ผ่านแนวทาง Realtime with tools ก็ได้
จากนั้นค่อยเลือกช่องทางให้ตรงกับงานจริง ถ้าจะรับสายโทรศัพท์ก็ไปทาง SIP ถ้าอยู่บนเว็บหรือแอปมือถือก็ WebRTC ตัวโมเดลเปิดทางให้ทำได้ทั้งสองแบบ เหลือแค่ทีมเลือกให้ตรงกับช่องทางที่ลูกค้าจะใช้ติดต่อ
ข้อจำกัดที่ต้องรู้ก่อนเอาไปรับสายลูกค้าจริง
ความสามารถที่เพิ่มมาน่าตื่นเต้น แต่มีเงื่อนไขที่ต้องรู้ก่อนนำไปให้ลูกค้าใช้งานจริง
เรื่องภาษาไทยต้องทดสอบเอง เอกสารของ OpenAI ไม่ได้ให้ตัวเลขคุณภาพหรือความหน่วงของเสียงภาษาไทยไว้ ดังนั้นอย่าเพิ่งเหมาว่าพูดไทยแล้วลื่นเท่าอังกฤษ ต้องลองอัดเสียงไทยจริง ฟังสำเนียง ดูจังหวะว่ามันพูดแทรกหรือรอ ก่อนตัดสินใจว่าพร้อมใช้
ความรู้ที่โมเดลมีในตัวหยุดอยู่ที่ 1 ตุลาคม 2023 อะไรที่เกิดหลังจากนั้น เช่น โปรโมชันเดือนนี้ หรือสต็อกวันนี้ โมเดลไม่รู้เอง จึงต้องป้อนข้อมูลผ่าน tool หรือ RAG (การต่อคลังข้อมูลภายนอกให้โมเดลดึงมาตอบ) เข้าไป
มีฟีเจอร์ระดับ API ขั้นสูงบางตัวที่รุ่นนี้ไม่รองรับ ตามหน้าข้อมูลโมเดล GPT-Realtime mini ไม่รองรับ streaming (ทยอยส่งผลลัพธ์ทีละส่วน) · structured outputs (บังคับให้ผลลัพธ์ออกมาเป็นโครงสร้างตายตัว) · fine-tuning (การเทรนโมเดลต่อด้วยข้อมูลของเราเอง) · และ predicted outputs (เดาผลลัพธ์ล่วงหน้าเพื่อเร่งความเร็ว) แม้จะยังรองรับ function calling ตามปกติก็ตาม ถ้าระบบที่วางไว้ต้องพึ่งฟีเจอร์เหล่านี้ ต้องออกแบบเผื่อไว้
และย้อนกลับไปเรื่องต้นทุน ราคาที่พาดหัวกันเป็นราคาโทเคนข้อความ ส่วนเสียงคิดแยก งบจริงของ voice agent จึงต้องประเมินจากปริมาณสายและความยาวการคุย ไม่ใช่จากตัวเลข input กับ output ของข้อความอย่างเดียว
คำถามที่เปลี่ยนไปจึงไม่ใช่ว่า AI พูดโต้ตอบสดได้หรือยัง เพราะคำตอบชัดแล้วว่าได้ แต่เป็นว่าเราวัดได้หรือยังว่ามันดีพอในภาษาที่เราใช้ และคุ้มกับต้นทุนจริงของเรา ก่อนจะปล่อยให้มันรับสายลูกค้าคนแรก
ที่มา:
- เอกสาร Realtime and audio | OpenAI API จาก OpenAI
- เอกสาร GPT-Realtime mini Model | OpenAI API จาก OpenAI
