OpenAI最智能AI语音模型：GPT-Realtime-2登场，GPT

5 月 8 日最新消息，OpenAI 正式推出了三个实时语音模型，分别针对推理、翻译和转录等不同应用场景，并集成到 Realtime API 中供开发者使用。这些模型为实时语音应用提供了底层的技术支持，旨在解决语音交互过程中常见的延迟、打断处理以及多语言支持等难题。

GPT-Realtime-2 专为实时交互场景而设计，是首款具备 GPT-5 级别推理能力的语音模型。该模型在保持对话自然流畅的基础上，还能在对话过程中进行推理、调用工具，并且能够处理用户的打断或纠正行为。这意味着开发者可以借此构建更为复杂的语音助手，进而执行多步骤任务。

在价格方面，GPT-Realtime-2 的音频输入费用为每百万 Token 32 美元（按当前汇率约合 218.1 元人民币），输出费用为 64 美元（约合 436.2 元人民币），而缓存输入仅需 0.4 美元。

GPT-Realtime-Translate 支持将 70 种输入语言转换为 13 种输出语言，翻译速度与说话者同步，非常适合跨国会议或实时沟通场景。

GPT-Realtime-Whisper 专注于低延迟的流式转录功能，音频内容边说边转，让实时字幕和会议记录能够跟上对话节奏，从而减少等待时间。翻译和转录模型均按分钟计费，费用分别为每分钟 0.034 美元和 0.017 美元。

来源：IT之家