OpenAI Luncurkan Tiga Model Suara Real-Time, AI Kini Bisa Mendengar, Menerjemahkan, dan Bertindak

OpenAI meluncurkan tiga model audio baru pada 7 Mei 2026 yang memperjelas arah terbaru industri AI: percakapan suara tidak lagi sekadar soal menjawab cepat, tetapi mulai bergerak ke sistem yang bisa mendengar, bernalar, menerjemahkan, dan mengambil tindakan dalam waktu nyata. Tiga model itu adalah GPT-Realtime-2, GPT-Realtime-Translate, dan GPT-Realtime-Whisper, semuanya tersedia lewat Realtime API untuk pengembang.

Dari ketiganya, GPT-Realtime-2 menjadi peluncuran paling penting karena diposisikan sebagai model suara pertama OpenAI dengan reasoning kelas GPT-5. Model ini dirancang untuk menangani permintaan yang lebih rumit sambil tetap menjaga alur percakapan tetap natural. OpenAI menyebut model ini bisa memanggil beberapa tools secara paralel, lebih tahan terhadap interupsi, dan mendukung konteks sesi yang jauh lebih panjang, dari 32 ribu token menjadi 128 ribu token. Dengan kata lain, suara mulai diperlakukan bukan sebagai lapisan kosmetik di atas chatbot, tetapi sebagai antarmuka kerja yang sungguh operasional.

Dua model lain memperkuat arah yang sama. GPT-Realtime-Translate dirancang untuk menerjemahkan percakapan langsung dari lebih dari 70 bahasa masukan ke 13 bahasa keluaran sambil menjaga tempo pembicara. Sementara GPT-Realtime-Whisper berfungsi sebagai mesin transkripsi streaming yang bisa dipakai untuk caption, notulen rapat, dan pembaruan workflow saat seseorang masih berbicara. Reuters mencatat rangkaian model ini ditujukan untuk membuat agen suara lebih percakapan sekaligus lebih mampu menyelesaikan tugas secara real-time.

Jika stabil dalam penggunaan nyata, dampaknya bisa cukup luas. Aplikasi suara tak lagi berhenti pada jawaban satu arah, tetapi bisa berubah menjadi sistem voice-to-action: membantu mencari properti, memindahkan jadwal, menyesuaikan reservasi perjalanan, atau meneruskan instruksi ke sistem internal perusahaan. OpenAI sendiri memberi contoh pola penggunaan seperti agen yang membantu pencarian rumah, pembaruan perjalanan, hingga layanan pelanggan multibahasa. Pergeseran ini penting karena pasar AI kini bergerak dari model teks ke pengalaman multimodal yang lebih natural dan lebih dekat ke aktivitas sehari-hari.

Dari sisi bisnis, OpenAI juga memberi sinyal bahwa suara akan menjadi lapisan komersial baru yang serius. GPT-Realtime-2 dipatok US$32 per 1 juta token audio masuk dan US$64 per 1 juta token audio keluar, dengan tarif cache input yang lebih rendah. GPT-Realtime-Translate dibanderol US$0,034 per menit, sedangkan GPT-Realtime-Whisper US$0,017 per menit. Struktur harga ini menunjukkan OpenAI tidak hanya menjual model, melainkan sedang membangun infrastruktur suara yang bisa dipakai pengembang dan perusahaan untuk produk customer service, produktivitas, perjalanan, hingga otomasi internal.

Peluncuran ini juga datang pada saat persaingan AI makin padat. Dalam beberapa bulan terakhir, perusahaan-perusahaan besar berlomba memperluas agen AI, coding assistant, dan sistem multimodal. Dengan membawa reasoning tingkat lanjut ke suara, OpenAI sedang mencoba menggeser standar pasar: AI suara yang baik bukan cuma terdengar halus, tetapi juga mampu memahami konteks, mengeksekusi tindakan, dan tetap andal saat percakapan berjalan cepat. Itu adalah pergeseran yang jauh lebih besar daripada sekadar penambahan fitur voice mode.

Tetap ada tantangan yang belum selesai. Latensi, akurasi terjemahan untuk istilah teknis, privasi percakapan, dan kestabilan integrasi ke sistem bisnis akan menentukan apakah model-model ini benar-benar dipakai luas atau hanya menjadi demo yang mengesankan. Namun untuk saat ini, rilisan 7 Mei 2026 ini layak dibaca sebagai salah satu perkembangan AI paling penting pekan ini: suara kini makin jelas diposisikan sebagai jalur utama berikutnya dalam perlombaan membangun agen AI yang benar-benar berguna.