OpenAI 近日推出三款面向实时语音场景的专用模型，通过Realtime API向全球开发者开放调用。这三款模型分别聚焦语音推理、多语言翻译和低延迟转录三大核心需求，旨在破解传统语音交互中存在的延迟响应、打断处理困难及跨语言支持不足等痛点，为智能语音助手、实时会议系统等应用提供底层技术支撑。
作为此次发布的旗舰产品，GPT-Realtime-2首次将GPT-5级别的推理能力引入语音交互领域。该模型在保持对话自然流畅的同时，支持实时推理决策、工具调用及用户打断处理。例如当用户中途修正指令时，模型能立即调整响应策略，而非机械执行初始命令。这种能力使得开发者可构建具备复杂任务处理能力的语音助手，如自动订票系统中同时处理日期修改、座位升级等多步骤操作。
在定价体系方面，GPT-Realtime-2采用Token计费模式：音频输入每百万Token收费32美元（约合人民币218.1元），输出收费64美元（约合人民币436.2元），缓存输入费用则低至0.4美元。这种差异化定价策略既考虑了计算资源消耗差异，也为高频使用者提供了成本优化空间。
针对跨国沟通场景，GPT-Realtime-Translate支持70种语言输入与13种语言输出的实时互译。该模型通过动态调整翻译节奏，确保输出文本与说话者语速同步，特别适用于国际会议、远程医疗等需要即时理解的场景。测试数据显示，其翻译延迟控制在200毫秒以内，达到人类对话的自然节奏标准。
另一款专业模型GPT-Realtime-Whisper专注于流式转录服务，通过优化音频处理算法实现"边说边转"的零延迟体验。在会议记录、实时字幕等场景中，该模型可将转录等待时间减少70%，同时保持95%以上的准确率。其按分钟计费模式（翻译每分钟0.034美元，转录每分钟0.017美元）也降低了中小企业的使用门槛。
技术专家指出，这三款模型的发布标志着语音交互进入"实时智能"新阶段。通过将大语言模型的推理能力与语音处理技术深度融合，OpenAI正在重新定义人机语音交互的标准，为教育、医疗、客服等行业的数字化转型提供关键基础设施。