OpenAI 推出三款实时语音模型：上下文扩至 128K，支持边推理边干活

过去我们跟语音助手对话，最怕空气突然安静。你提了个稍复杂的退票改签要求，耳机里只剩下漫长死寂，你甚至分不清它是卡死了，还是在默默算账。

OpenAI 在其 API 中上线了三款新的实时音频模型。其中最核心的是 GPT-Realtime-2，官方称这是首款具备 GPT-5 级别推理能力的语音模型。与之同步推出的，还有支持多语言同步互译的 GPT-Realtime-Translate，以及低延迟流式转写的 GPT-Realtime-Whisper。

边想边说，语音助手不再装死

这次更新最直接的改变，是 AI 语音交互终于告别了回合制的呆板节奏。

GPT-Realtime-2 引入了前导句机制。在检索日历或调用多个后台工具时，它会主动插话，比如自然地说一句「我帮您看一下」或者「正在查询航班」，让用户知道它在干活而不是断线了。

它还支持并行工具调用。哪怕面对复杂的多步骤任务，模型也能一边推进多个接口查询，一边跟用户保持连贯交谈，遇到错误时也不会静默崩溃，而是主动告知遇到了麻烦。

在底层能力上，该模型的上下文窗口从之前的 32K 直接拉高到了 128K。这意味着用户可以进行非常冗长复杂的连续任务，模型也能记住更精准的专业术语和人名。

开发者还能手动调节它的推理档位，从极低、低、中、高到超高共五档，默认设为低档以兼顾响应速度。根据官方数据，在 Big Bench Audio 基准测试中，GPT-Realtime-2 的高档位得分比 1.5 版本提升了 15.2%，达到 96.6% 的高分。

翻译与转写补齐最后一块拼图

除了主干对话模型，另外两款配套模型把语音工作流补全了。

GPT-Realtime-Translate 专攻实时口译，支持超过 70 种输入语言并能实时转化为 13 种输出语言。它的核心特点是能跟上说话人的即时语速，目前德国电信已经开始测试这一功能用于跨国客服，Vimeo 也在尝试用它做教学视频的即时多语种旁白。

流式语音转文字模型 GPT-Realtime-Whisper 走的是极低延迟路线，在用户开口的同时同步生成字幕和会议纪要。

价格方面，GPT-Realtime-2 音频输入每百万 token 标价 32 美元，缓存命中仅需 0.40 美元，音频输出为每百万 token 标价 64 美元。实时翻译和实时转写则按时间计费，分别标价每分钟 0.034 美元和 0.017 美元。同时 OpenAI 设置了主动安全分类器，一旦检测到违规欺诈内容会立刻切断会话。

为什么重要

对于开发者和企业来说，这三款模型把搭建成熟语音 Agent 的门槛砸平了一大截。

以前做实时语音助手，开发者需要自己拼装语音识别、大模型思考、工具编排和语音合成四套系统，延迟动辄两三秒，体验非常破碎。现在 Zillow 可以让用户随口说出复杂的买房预算条件并直接排期看房，Priceline 也能在旅客赶飞机的混乱现场即时处理改签。

我们认为，OpenAI 这一次的做法很务实。它没有一味去追求把音色调得多像真人撒娇，而是集中精力解决了两件事：把推理能力灌进实时语音，以及让模型学会边思考边发声。

这种并行工具调用和状态反馈机制，补齐了过去语音智能体最致命的黑盒盲区。在商业客服、医疗和出海场景里，这种靠谱感远比单纯的情绪音调重要得多。

不过隐患同样摆在眼前。虽然缓存 token 便宜，但音频输入输出的常规定价依然不算低，一旦进入海量并发的客服场景，调用账单会迅速攀升。此外，虽然官方宣称有安全分类器实时兜底，但面对高度逼真的实时口译和对话，防范电信欺诈和社工伪造的压力依然巨大。