OpenAI发布语音新模型 实时推理翻译转录功能强大

OpenAI正式发布三款全新实时语音模型，旨在为开发者开启语音应用的新纪元。这些模型针对不同应用场景设计，将显著提升语音交互的智能水平与用户体验。

借助这些先进的工具，开发者能够构建出体验前所未有的下一代语音应用程序。

三款模型的核心能力解析

根据OpenAI官方公告，新发布的三款模型及其核心能力如下：

GPT-Realtime-2：这是首个具备GPT-5级别推理能力的语音模型。它能够处理更复杂的用户请求，并以更自然、连贯的方式推进多轮对话，标志着语音交互在智能化程度上实现了重要突破。

GPT-实时翻译：一款全新的实时翻译模型。其强大之处在于，能够将超过70种输入语言的语音，实时同步翻译成13种输出语言，且翻译速度能与说话者的语速保持同步，极大促进了跨语言即时沟通。

GPT-Realtime-Whisper：专为流式语音转文本设计的新工具。它可以在用户说话的同时完成高精度实时转录，这将使实时字幕、同步会议记录等功能的响应速度更快、体验更自然。

新模型特性与行业影响

OpenAI对其旗舰模型GPT-Realtime-2进行了重点说明。这款为实时语音交互优化的模型，其核心突破在于“实时推理”能力。它不仅保障对话流畅，还能在对话过程中即时理解用户意图、调用工具、处理用户的中断或更正，并给出最符合语境的回应。这推动了语音助手从简单指令执行向真正智能对话伙伴的演进。

实时翻译模型的优势在于广泛的语种支持与极低的延迟，显著降低了跨语言实时交流的技术门槛。

转录模型GPT-Realtime-Whisper的关键在于其低延迟特性。这意味着会议发言几乎可同步转化为文字，视频字幕也能实现无滞后生成，从而提升多种场景下的信息获取效率。

模型接入方式与定价策略

目前，这三款全新的语音模型均已集成至OpenAI的实时API中，面向开发者开放使用。具体的定价策略如下：

GPT-Realtime-2：按token计费。音频输入每百万token收费32美元（缓存输入token为每百万0.40美元），音频输出每百万token收费64美元。

GPT-实时翻译：按使用时长计费，价格为每分钟0.034美元。

GPT-Realtime-Whisper：同样按使用时长计费，价格为每分钟0.017美元。

差异化的定价策略满足了不同复杂度与资源消耗的应用需求。随着这些模型的广泛应用，下一代语音交互产品所带来的体验变革即将到来。