人工智能巨头 OpenAI 再次刷新了语音交互的技术边界，正式推出了三款全新的实时语音模型：GPT-Realtime-2、GPT-Realtime-Translate 以及 GPT-Realtime-Whisper。这三款模型目前已集成至 Realtime API 供开发者使用，旨在从底层技术上攻克语音交互中长期存在的延迟高、无法自然打断以及多语言支持难等痛点。
作为此次发布的重头戏，GPT-Realtime-2 被定义为目前最智能的 AI 语音模型，也是首个具备 GPT-5 级推理能力的语音工具。与传统的语音助手不同，它在保持对话极度自然流畅的同时，能够实时进行复杂的逻辑推理、灵活调用外部工具，并能精准识别且处理用户的打断或纠正。这一突破意味着未来的语音助手将不再只是简单的指令执行者，而是能处理多步骤复杂任务的实时协作伙伴。
在定价策略上，GPT-Realtime-2 的音频输入费用设定为每百万 Token 32 美元（约合人民币 218 元），输出费用为 64 美元（约合人民币 436 元），而缓存输入的成本显著降低，仅需 0.4 美元。
除了核心推理模型，另外两款功能性模型也各具特色。GPT-Realtime-Translate 展现了强大的翻译性能，支持 70 种输入语言与 13 种输出语言的即时转换，其翻译速度几乎与说话者同步，能够胜任跨国会议等高要求的实时沟通场景。而 GPT-Realtime-Whisper 则专注于追求极致的流式转录，实现了“音随人动”的低延迟体验，极大缩短了会议记录和实时字幕的等待时间。这两款模型的计费方式更为灵活，分别按分钟计费，价格为每分钟 0.034 美元和 0.017 美元。
业内分析认为，OpenAI 这一系列动作标志着 AI 语音交互正从“简单响应”向“深度实时理解”跨越，进一步巩固了其在智能时代的技术领先地位。
