OpenAI 正式上线 Realtime API：推出 gpt-realtime，接打电话还降价 20%

过去做一个能打电话的 AI 客服，工程师往往得拿语音转文字、大模型、文字转语音拼成一条笨拙的流水线。不仅延迟高，AI 说话还像个照本宣科的念稿机器。

OpenAI 宣布 Realtime API 正式结束公测并全面商用，同时推出了全新的端到端语音模型 gpt-realtime。这次不仅把价格下调了 20%，还直接补齐了企业落地的几个核心短板。

不用拼积木，还能边聊边查数据

新模型 gpt-realtime 依然走单模型端到端路线，直接接收音频并输出音频，避免了多模型串联时的延迟和语气损耗。

它新增了 Cedar 和 Marin 两个新声音，原有的 8 个预设声线也同步翻新。新模型能捕捉笑声等非语言信号，甚至可以在同一句话里无缝切换多国语言，语气也能按照法国口音或职业严谨等要求进行细腻调整。

在底层能力上，gpt-realtime 的音频推理基准得分从去年 12 月前代的 65.6% 跃升到了 82.8%。它对电话号码、车架号这类长串字母数字的识别率大幅提升，支持中文、日语、法语和西班牙语等多语言混杂场景。

过去语音助手最怕遇到耗时较长的后台任务，AI 常常会陷入尴尬的沉默。这次新模型原生支持异步函数调用，在后台查询数据库或调接口的同时，AI 能够继续自然地跟用户闲聊接话，开发者甚至无需修改现有代码。

连上电话线，看懂屏幕截图

除了动嘴，OpenAI 这次还给它配上了眼睛和电话线。

Realtime API 正式支持 SIP 协议。这意味着开发者不需要再去折腾复杂的语音网关，就能把模型直接接到企业 PBX 交换机、办公室座机以及公共电话网络中，随时化身真正的电话客服。

工具调用方面，它直接接入了远程 MCP 协议。开发者只需在配置里填一个远程服务器地址，API 就会自动处理后续的工具调度，不需要再手工手写复杂的对接胶水代码。

它还补齐了多模态图像输入。系统没有采用极度消耗带宽的实时视频流，而是允许应用按需发送照片或屏幕截图。用户发一张报错截图，AI 就能看着图片用语音指导操作。

价格上，gpt-realtime 比之前的预览版便宜了 20%，音频输入每百万 token 降至 32 美元，缓存输入为 0.40 美元，音频输出为 64 美元。新增的会话截断控制也让长对话的成本大幅降低。

为什么重要

对开发者和企业来说，语音 Agent 终于跨过了从玩具到可用生产工具的门槛。以前自建端到端语音系统的技术门槛极高，现在只要配个 SIP 账号和 MCP 链接，普通团队几天内就能拉起一套能接打电话、能查业务后台的智能坐席。

对整个行业而言，OpenAI 这次直奔企业级通信基础设施而去。支持 SIP 和 MCP 相当于直接切入了传统呼叫中心软件和电信服务商的地盘，那些只做中继转录、音频格式封装的中间件创业公司，生存空间会被进一步挤压。

我们认为 OpenAI 这次克制的技术取舍非常聪明。他们没有盲目跟风做昂贵的实时视频流输入，而是用单张静态图结合语音，既把成本和算力消耗压到了可商用的范围，又解决了绝大多数真实场景的视觉答疑需求。

不过隐患依然存在。尽管新模型在 MultiChallenge 指令遵循测试中从 20.6% 提升到了 30.5%，但在绝对数值上，面对极其严苛的企业合规脚本或免责声明，端到端模型依然有自由发挥的风险，企业在真正全盘替代人工坐席前仍需做好边界把控。