OpenAI 发布三款实时语音模型，GPT-5 级推理能力落地

语音交互的体验，又要被改写了。最近，OpenAI 正式向开发者开放了三款全新的实时语音模型：GPT-Realtime-2、GPT-Realtime-Translate 和 GPT-Realtime-Whisper。这可不是一次简单的功能更新，而是直指语音交互领域几个长期存在的“老大难”问题——高延迟、无法自然打断、多语言支持薄弱。看来，AI 巨头这次是打算从技术底层，彻底重塑我们与机器对话的方式。

GPT-Realtime-2：不只是助手，更是实时协作者

这次发布的核心，无疑是 GPT-Realtime-2。官方将其定位为目前最智能的 AI 语音模型，更重要的是，它被称作首个具备 GPT-5 级别推理能力的语音工具。这意味着什么？

简单来说，未来的语音助手可能不再是那个你说一句、它干一件的“呆板执行者”了。GPT-Realtime-2 在保持对话极度自然流畅的基础上，核心突破在于能进行复杂的实时逻辑推理，并灵活调用外部工具。比如，你可以在描述一个多步骤任务时随时补充细节或改变主意，它能精准识别你的打断或纠正，并实时调整后续的思考和行动路径。这背后的潜台词是，语音交互正从“简单响应”迈向“深度实时理解与协作”。

当然，强大的能力也对应着相应的成本。GPT-Realtime-2 的音频输入定价为每百万 Token 32 美元（约合软妹币 218 元），输出费用为 64 美元（约合软妹币 436 元）。不过，对于缓存输入的处理，成本则大幅降低至每百万 Token 仅 0.4 美元。

翻译与转录：专精领域的极致体验

除了核心的推理模型，另外两款功能性产品同样瞄准了具体的痛点场景。

GPT-Realtime-Translate 主打实时翻译，其性能相当强悍。它支持高达 70 种输入语言与 13 种输出语言的即时互译，关键是速度——翻译结果几乎能与说话者的语流同步。这种级别的实时性，让跨国会议、即时商务洽谈等高要求场景的沟通壁垒被大幅削弱。

另一款 GPT-Realtime-Whisper 则专注于流式转录，追求“音随人动”的低延迟体验。它极大压缩了从语音到文本的等待时间，对于需要实时会议记录、即时字幕生成的场景来说，效率提升是显而易见的。

在计费上，这两款模型采取了更灵活的按分钟计费模式，GPT-Realtime-Translate 每分钟 0.034 美元，GPT-Realtime-Whisper 则为每分钟 0.017 美元。

从这一系列动作不难看出，OpenAI 正在系统性地构建其语音交互的技术护城河。当语音 AI 不仅能“听清”、更能“听懂”并“实时思考”时，它所开启的，或许是一个远比我们想象中更自然的、人机协同的新阶段。行业的游戏规则，恐怕又要被重新定义了。