OpenAI 连发三款实时音频模型，打造下一代语音智能体
根据简鹿办公了解，目前 OpenAI 面向开发者推出三款全新实时音频模型，开发者可通过其 API 搭建语音类应用与智能代理。三款新模型分别为 GPT-Realtime-2、GPT-Realtime-Translate 以及 GPT-Realtime-Whisper，可支持更自然的语音交互、实时翻译以及低延迟语音转文字功能。
GPT-Realtime-2
本次发布的核心模型为 GPT-Realtime-2，专为实时语音交互打造。该模型能够理解用户需求、调用工具、应对语句修正，并以自然的方式延续对话。它为语音智能代理新增了以下能力：
前置应答语：执行任务前可说出简短过渡语，例如 “我帮你查一下”。
并行工具调用：可同时调用多项工具，并实时向用户同步进度。
故障恢复能力升级：出现异常时会给出合理回应，而非静默失效。
更长上下文窗口：上下文长度从 32 万令牌提升至 128 万令牌。
专业领域理解优化：更擅长记忆专业术语、专有名词及医疗相关词汇。
语气风格调控：可根据场景自主调整说话风格。
推理强度可调：开发者可选择极低、低、中、高、超高五个推理等级。
基准测试成绩直观体现了模型的性能提升：推理等级设为高的 GPT-Realtime-2 在音频基准测试 Big Bench Audio 中得分达 96.6%，而前代 GPT-Realtime-1.5 仅为 81.4%；在音频多任务指令遵循测试 Audio MultiChallenge 中，超高推理等级的 GPT-Realtime-2 得分 48.5%，远超前代的 34.7%。
GPT-Realtime-Translate
全新实时翻译模型专为多语言实时语音场景设计，支持70 余种输入语言的语音，翻译输出为13 种语言。OpenAI 表示，该模型可同步跟进说话者语速、精准保留原意，即便用户切换话题语境、使用方言口音或专业领域词汇，依旧能稳定翻译。
GPT-Realtime-Whisper
全新流式转录模型，主打低延迟语音转文字。支持边说话边实时转写音频，适用于实时字幕、会议纪要、课堂文稿记录等场景。
三款模型现已全部上线实时 API 服务：
GPT-Realtime-2：音频输入令牌每百万 32 美元，缓存输入令牌每百万 0.40 美元，音频输出令牌每百万 64 美元；
GPT-Realtime-Translate：每分钟 0.034 美元；
GPT-Realtime-Whisper：每分钟 0.017 美元。
开发者可在 OpenAI 调试平台体验全新实时语音模型。面向普通用户，OpenAI 仍在持续升级 ChatGPT 的语音交互体验。
