OpenAI 在 Realtime API 里上线了三款新语音模型
TL;DR · AI 摘要
OpenAI发布了三款新语音模型：GPT-Realtime-2、GPT-Realtime-Translate和GPT-Realtime-Whisper，显著提升了对话、翻译和实时转录能力。
核心要点
- GPT-Realtime-2在Big Bench Audio智能测试上从81.4%提升到96.6%，支持更复杂的任务编排。
- GPT-Realtime-Translate支持70多种输入语言和13种输出语言，跨境客服场景表现优异。
- GPT-Realtime-Whisper是流式版Whisper，边说边出字幕，适用于会议、直播等场景。
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- OpenAI新语音模型
- GPT-Realtime-2
- 性能提升
- 复杂任务编排
- GPT-Realtime-Translate
- 多语言支持
- 跨境客服
- GPT-Realtime-Whisper
- 流式转录
- 会议和直播
金句 / Highlights
值得收藏与分享的关键句。
GPT-Realtime-2在Big Bench Audio智能测试上从81.4%提升到96.6%，Audio MultiChallenge多轮对话指令跟随从34.7%涨到48.5%。
GPT-Realtime-Translate支持70多种输入语言和13种输出语言，德国电信已在测试中使用。
GPT-Realtime-Whisper是流式版Whisper，边说边出字幕，适用于会议和直播场景。
【1】主角：GPT-Realtime-2
号称带 GPT-5 级别的推理能力。比上一代 GPT-Realtime-1.5，在 Big Bench Audio 智能测试上从 81.4% 涨到 96.6%，Audio" / X
OpenAI 在 Realtime API 里上线了三款新语音模型：GPT-Realtime-2、GPT-Realtime-Translate 和 GPT-Realtime-Whisper，分别管对话、翻译和实时转录。 【1】主角：GPT-Realtime-2 号称带 GPT-5 级别的推理能力。比上一代 GPT-Realtime-1.5，在 Big Bench Audio 智能测试上从 81.4% 涨到 96.6%，Audio MultiChallenge 多轮对话指令跟随从 34.7% 涨到 48.5%。 几个实际变化： 开口前会先垫一句。执行长任务前先说"我查一下""稍等一下"，避免用户对着空气以为它死机了。 工具调用透明化。能同时调多个工具，过程会被念出来，比如"正在查你的日历""正在搜索"，让用户听到 agent 在干什么。 上下文窗口从 32K 扩到 128K，能撑更长的对话和更复杂的任务编排。 开发者可以在 minimal 到 xhigh 五档推理强度里选，默认 low。简单问答用低延迟，复杂任务挂高推理。 出错时会说"这块我现在处理不了"，不再直接卡死或乱讲。 【2】Translate 和 Whisper GPT-Realtime-Translate 支持 70 多种输入语言、13 种输出语言的实时语音翻译，主打跨境客服、教育、直播场景。德国电信已经在测；BolnaAI 在印地语、泰米尔语、泰卢固语等印度方言场景下报告错词率比其他模型低 12.5%。 GPT-Realtime-Whisper 是流式版 Whisper，边说边出字幕，主打会议、直播、客服转录。 【3】价格 GPT-Realtime-2：每百万音频输入 token $32（缓存 $0.40），输出 token $64。 GPT-Realtime-Translate：每分钟 $0.034。 GPT-Realtime-Whisper：每分钟 $0.017。 三款都已在 Realtime API 上线，Playground 可以直接试 GPT-Realtime-2。
Quote
OpenAI
@OpenAI
21h
Introducing GPT-Realtime-2 in the API: our most intelligent voice model yet, bringing GPT-5-class reasoning to voice agents. Voice agents are now real-time collaborators that can listen, reason, and solve complex problems as conversations unfold. Now available in the API
