OpenAI déploie trois modèles vocaux qui raisonnent à latence zéro : GPT-Realtime-2 exhibe une capacité de reasoning équivalente à GPT-5, tandis que GPT-Realtime-Translate et GPT-Realtime-Whisper couvrent 70+ langues et la transcription live.
Le problème historique était simple : voix + raisonnement = friction. Les APIs vocales existantes traitaient token par token, créant des délais inutiles. C'est comme téléphoner via un relais satellite années 80.
Aucun round-trip serveur entre écoute et réponse.
Ce qui change : le modèle fusionne transcription, compréhension et génération vocale dans une boucle unique. Aucun round-trip serveur entre écoute et réponse. L'utilisateur parle, l'IA raisonne et parle back en 200-400ms.
L'enjeu sur 12-24 mois : OpenAI vise les interfaces conversationnelles en production (support, éducation, code pairing). Si la latence reste <500ms et la précision vocale >95%, c'est 40% des call centers US en mouvement.
Cette stack vocale arrive quand Anthropic et Google accélèrent sur multimodal. La vraie bataille n'est pas le reasoning, c'est le temps de réaction.