OpenAI ha lanciato tre nuovi modelli vocali

I nuovi modelli offrono ragionamento avanzato, traduzione in 70 lingue e trascrizione in tempo reale

Immaginate di parlare con il vostro telefono come con un amico che capisce subito cosa volete dire, senza ripetizioni, senza attese. Non è fantascienza: è quello che OpenAI ha appena reso possibile. Ieri, 7 maggio 2026, la società di Sam Altman ha presentato tre nuovi modelli vocali in tempo reale per la sua API — e stando all’annuncio ufficiale nella community OpenAI, il salto qualitativo rispetto a ciò che esisteva prima è notevole. Queste non sono semplici aggiornamenti: sono il segnale che l’interfaccia vocale con l’intelligenza artificiale è diventata abbastanza matura da entrare nei prodotti che usiamo ogni giorno.

Dalla noia alla magia

Chiunque abbia mai litigato con un assistente vocale sa com’è: si parla lentamente, si ripete due volte, si accettano risposte a metà. La vecchia esperienza era fatta di pause lunghe, contesti dimenticati nel giro di poche frasi e conversazioni che sembravano più un modulo da compilare che un dialogo. I nuovi modelli di OpenAI promettono di rompere con tutto questo. Secondo il comunicato ufficiale di OpenAI, questi strumenti trasformano l’audio in tempo reale “da semplici interazioni a interfacce vocali in grado di ascoltare, ragionare, tradurre, trascrivere e agire mentre la conversazione si svolge“. Non più domanda-risposta. Una vera conversazione.

I numeri della svolta

Entriamo nel motore di questa magia: non solo voce, ma ragionamento in tempo reale. I tre nuovi modelli si chiamano GPT-Realtime-2, GPT-Realtime-Translate e GPT-Realtime-Whisper, e ciascuno ha un compito preciso. GPT-Realtime-2 è il più ambizioso: è il primo modello vocale con ragionamento di classe GPT-5, pensato per gestire richieste complesse, sessioni più lunghe e conversazioni più naturali. Il salto tecnico più visibile è nella cosiddetta finestra di contesto — la quantità di conversazione che il modello riesce a “tenere in mente” contemporaneamente — che è passata da 32.000 a 128.000 token. In termini pratici, è come passare da un interlocutore che dimentica tutto dopo cinque minuti a uno che ricorda l’intera telefonata. GPT-Realtime-Translate è invece un modello di traduzione dal vivo, capace di gestire il parlato in oltre 70 lingue di input e convertirlo in 13 lingue di output. GPT-Realtime-Whisper, infine, è uno strumento di trascrizione in streaming: converte in testo quello che qualcuno sta dicendo, in tempo reale, mentre parla ancora.

I prezzi sono stati pensati per stimolare l’adozione da parte degli sviluppatori. GPT-Realtime-2 costa 32 dollari per milione di token audio in input, GPT-Realtime-Translate 0,034 dollari al minuto e GPT-Realtime-Whisper 0,017 dollari al minuto. Non sono cifre per l’utente finale, ovviamente, ma per le aziende che costruiscono prodotti sopra queste API — e il messaggio implicito è che OpenAI vuole rendersi accessibile prima che lo facciano gli altri. Vale la pena ricordare che la beta pubblica della Realtime API era stata lanciata nell’ottobre 2024, e che la disponibilità generale era arrivata nell’agosto 2025: questa nuova generazione di modelli è quindi il terzo atto di una storia che si stava costruendo da quasi due anni.

Chi ci sta scommettendo

I prezzi agguerriti e le capacità avanzate hanno già attirato grandi nomi. OpenAI ha annunciato partnership con Zillow, Deutsche Telekom e Priceline come primi partner che stanno costruendo prodotti su GPT-Realtime-2. Gli esempi concreti aiutano a capire cosa significhi davvero questa tecnologia applicata. Zillow, il portale immobiliare americano, sta sviluppando un assistente vocale capace di ascoltare una richiesta come “trovami case nei limiti del mio budget, lontano dalle strade trafficate, e fissa una visita per sabato” — e di agire su tutte e tre le istruzioni contemporaneamente, non in sequenza. Deutsche Telekom, invece, sta usando GPT-Realtime-Translate per costruire esperienze di supporto clienti in cui ognuno può parlare nella propria lingua mentre il modello traduce la conversazione in tempo reale. È il tipo di applicazione che, se funziona davvero, cambia il servizio clienti per milioni di persone che oggi si trovano a barcamenarsi in una lingua non madre.

La pressione competitiva è reale. Nel mese scorso, Anthropic ha rilasciato Claude Mythos Preview, un modello che ha catturato l’attenzione di Wall Street, e Google rimane un attore di primissimo piano in questo spazio. La corsa per chi controllerà l’interfaccia vocale dell’AI è aperta, e nessuno può permettersi di stare fermo. OpenAI ha scelto di muoversi puntando su tre direzioni chiare — ragionamento più profondo, traduzione multilingue, trascrizione live — che coprono le tre grandi limitazioni dei vecchi sistemi vocali: la stupidità, la barriera linguistica, il ritardo.

Resta da vedere come evolverà la battaglia per l’interfaccia vocale, e quante di queste promesse reggano al contatto con l’uso quotidiano. Ma una cosa è già chiara: il modo in cui parliamo con le macchine non sarà più lo stesso. Parlare con il proprio telefono potrebbe smettere di essere frustrante e diventare, finalmente, qualcosa che somiglia a una vera conversazione.