OpenAI ปล่อย GPT-Realtime-2 — voice model ใหม่ที่ใส่ "GPT-5-class reasoning" เข้าไป, แยกเป็น 3 modalities (reasoning / translate / whisper), context 128K, รองรับ 70 ภาษา แปล realtime, Zillow + Deutsche Telekom + Priceline + Vimeo เริ่ม deploy แล้ว

วันที่ 7 พ.ค. 2026 OpenAI เปิดตัว voice model ใหม่ 3 ตัวพร้อมกัน ใน Realtime API:

1. GPT-Realtime-2 — reasoning model ที่ OpenAI เรียกว่า “GPT-5-class” สำหรับ voice agent ที่ต้องคิด, เรียก tool, จัดการ interruption
2. GPT-Realtime-Translate — แปลเสียง realtime จาก 70 ภาษา ออก 13 ภาษา
3. GPT-Realtime-Whisper — speech-to-text แบบ low-latency streaming

ก่อนหน้านี้ voice agent ที่จะดี ต้องเรียก model หลายตัวต่อกัน (ASR → reasoning → TTS) — มี latency จุดต่อ ที่ทำให้ conversation รู้สึกหน่วง — และ context มักจะหายไประหว่าง interruption หรือ tool call

OpenAI แก้ด้วยการ แยกเป็น 3 lane — reasoning, translation, transcription — ที่แต่ละ lane optimize แยกกัน — ผู้พัฒนาเลือกได้ว่าจุดไหน priority latency, จุดไหน priority depth — ไม่ต้องเอา heavy reasoning ไปทำ transcription หรือกลับกัน

ความสามารถที่อัพจาก GPT-Realtime-1.5

GPT-Realtime-2 (high):

• Context window: 32K → 128K tokens (4 เท่า)
• Big Bench Audio: +15.2% สูงกว่ารุ่นก่อน
• Audio MultiChallenge (instruction following): +13.8% (เวอร์ชัน xhigh)
• Reasoning levels: minimal / low / medium / high / xhigh — default = low
• Parallel tool calls: ภายในเทิร์นเดียวเรียกหลาย tool ได้
• Interruption handling: ไม่หาย context เมื่อโดน interrupt

นั่นหมายความว่า agent ตัวเดียวคุยยาว 2 ชั่วโมง + เรียก booking API + เปลี่ยน thread กลางทาง + กลับมา conclude ได้ — สถานการณ์จริงที่ enterprise voice มัก break

ราคา — split ตามงาน

OpenAI ออกราคาที่สะท้อน strategy แยก lane:

• GPT-Realtime-2: $32 / 1M audio input tokens, $64 / 1M output
• GPT-Realtime-Translate: $0.034 / นาที
• GPT-Realtime-Whisper: $0.017 / นาที

สำหรับ workflow ที่ส่วนใหญ่เป็น transcribe + route (เช่น call center IVR) — ใช้ Whisper เป็น default — เปิด GPT-Realtime-2 เฉพาะเทิร์นที่ต้อง decide จริง — ต้นทุนจะลดลงมากเทียบกับ “bundle voice model” รุ่นก่อน

Launch partners

OpenAI ระบุ deployment ที่กำลัง pilot:

• Zillow — real estate voice agent (memory ยาวต้องจำ neighborhood / price band ที่ buyer เปลี่ยนกลางสาย)
• Deutsche Telekom — multilingual customer support
• Priceline — travel assistance + booking tool calls
• Vimeo — live video translation

ใน India market, Bolna AI ระบุว่า GPT-Realtime-2 แสดงผลที่ดีกับ ภาษา Hindi, Tamil, Telugu — fallback rate ต่ำกว่ารุ่นก่อนอย่างมีนัยสำคัญ — เป็น signal ว่า OpenAI เริ่มจริงจังกับ regional language ที่ Microsoft/Google ได้เปรียบมาก่อน

บริบทการแข่งขัน

OpenAI ไม่ใช่คนแรก:

• Microsoft Copilot Studio voice agents — GA ใน Dynamics 365 Contact Center North America ตั้งแต่ 27 เม.ย. — Microsoft อ้าง 80% Fortune 500 adoption ของ Copilot Studio
• xAI Grok Voice Think Fast 1 — launch 23 เม.ย. — มี Starlink case study ที่ convert 1 ใน 5 sales inquiry, ใช้ 28 tool ใน workflow เดียว
• DeepL voice translation — เปิด realtime conversation translation ตั้งแต่ปลาย 2024 — ได้ตลาด multilingual ก่อน

OpenAI แตกต่างที่ arrange เป็น stack 3 ชั้น ที่ buyer ทดสอบทีละ lane ได้ — และที่สำคัญ raised ระดับ “reasoning ใน voice” จากที่ Grok/Copilot Studio ก็มี แต่ scope กว้างกว่า เพราะ GPT-5 family คือ reasoning model ที่แข็งสุดในตลาด ณ ปัจจุบัน

มุมมอง AI Curator

ปี 2024 เราพูดกันเรื่อง “ChatGPT voice” ที่ทำให้ AI assistant คุยเหมือนคน — 2026 voice กลายเป็น infrastructure layer ที่บริษัทใช้ replace agent ที่เป็นมนุษย์จริง ใน call center, sales, support

ที่น่าสนใจคือ OpenAI กำลังคืน “orchestration cost” ให้ model layer — เดิมต้อง stitch ASR + reasoning + TTS + state management ใน backend ของตัวเอง — ตอนนี้ทุกอย่างอยู่ใน GPT-Realtime-2 ตัวเดียว — ทำให้ กำแพง entry สำหรับ startup ที่จะสร้าง voice agent ลดลงมาก — เด็กที่เขียน Node.js เป็นก็ build เป็น vertical voice agent (เช่น สำหรับร้านอาหาร, คลินิก) ได้ใน 1 weekend

สำหรับ ตลาดไทย:

ข้อที่ 1: ภาษาไทยยังไม่ใช่ launch language ของ GPT-Realtime-Translate (70 ภาษา input, 13 ภาษา output — ภาษาไทยน่าจะอยู่ใน input set แต่ output set ที่ระบุไม่ครอบคลุม) — Bolna ใช้กับ Hindi/Tamil/Telugu สำเร็จ เพราะมี data — บริษัทไทยที่อยากใช้ GPT-Realtime-2 ในภาษาไทย ต้องตรวจสอบ benchmark กับ Pathumma/SCB10X/AIS Voice เปรียบเทียบก่อน scale

ข้อที่ 2: Call center industry ไทย (BPO ที่ outsource ให้ US/UK) — workforce 200K+ คน — กำลังจะถูก disrupted โดย agent ที่คุย English + Hindi accent ได้ดีกว่ามนุษย์ — บริษัทเช่น VGS, Trans Cosmos, True Touch ต้องตัดสินใจตอนนี้ว่าจะ upgrade workforce เป็น AI supervisor หรือยอมเสียลูกค้าให้ AI-native competitor

ข้อที่ 3: สำหรับ dev ไทยที่ build voice agent: GPT-Realtime-2 + Twilio + Stripe = stack 3 ชั้นที่สร้าง booking/scheduling agent ระดับ enterprise ได้ใน 2 สัปดาห์ — ตลาดคลินิก, ร้าน salon, salon, real estate ในประเทศไทยมีหลายแสน venue ที่ยังใช้คนรับโทรศัพท์ — ใครจะ build vertical voice agent ภาษาไทย ที่ใช้กับ SME ไทยได้จริง = น่าจะเป็น opportunity เปิดที่สุดในปี 2026

ที่ผมระวังคือ — Voice agent ที่ดีเกินไป จะถูกใช้สำหรับ deepfake voice scam ที่ตอนนี้ระบาดในไทย — ปัญหา fraud ที่ตำรวจไทยรับ ~3,000 case/วันในปี 2025 จะเปลี่ยนรูปแบบเมื่อ scammer มี API access เข้า voice model ที่คุยเหมือนคนจริง — กฎหมายควรเริ่มคิด mandatory voice watermarking สำหรับ commercial deployment

แหล่งข่าว

• OpenAI Brings GPT-5-Class Reasoning to Live Voice — WinBuzzer
• OpenAI brings GPT-5-class reasoning to real-time voice — VentureBeat
• Advancing voice intelligence with new models in the API — OpenAI
• OpenAI tweet announcing GPT-Realtime-2 — May 7, 2026