OpenAI发布语音模型可实时推理翻译与转录

OpenAI正式发布三款革命性的实时语音模型，旨在为开发者构建下一代语音应用提供强大支持。这些模型凭借各自独特的能力，有望彻底改变人机语音交互的体验。

这意味着，开发者现在可以利用这些先进的工具，打造出响应更快、更智能、更自然的语音应用，满足用户日益增长的需求。

三款模型，三种核心能力

根据OpenAI官方介绍，此次推出的三款全新语音模型及其核心功能分别是：

GPT-Realtime-2：这是首个具备GPT-5级别高级推理能力的实时语音模型。它能够深入理解复杂的用户请求，并以高度拟人化的方式推进多轮对话，标志着语音助手在智能化程度上实现了重大飞跃。

GPT-实时翻译：一款专为跨语言沟通设计的实时翻译模型。其强大性能体现在能够将超过70种输入语言的语音，几乎无延迟地同步翻译成13种输出语言，翻译节奏与说话者的语速完美匹配。

GPT-Realtime-Whisper：专为流式语音识别优化的新工具。它能够在用户说话的同时完成高准确率的实时语音转文字，这将让实时字幕生成、会议纪要同步、语音笔记等功能的体验变得极其流畅和高效。

深度解析：新特性意味着什么？

OpenAI重点解读了旗舰模型GPT-Realtime-2。这款为实时对话而优化的模型，其根本性突破在于内置的“实时推理”能力。它不仅保障对话的连贯性，还能在交流过程中动态分析用户意图、灵活调用工具、智能处理用户的中断或修正，并给出最贴合语境的回应。这推动语音助手从执行简单指令的工具，进化成为真正能理解和思考的协作伙伴。

而实时翻译模型的突出优势在于其广泛的语种支持和近乎为零的延迟，使得无缝的跨语言实时交流成为现实，极大降低了沟通壁垒。

至于语音转录模型GPT-Realtime-Whisper，其核心价值在于极低的延迟。可以预见，线上会议的发言实时转成文字记录，或视频内容同步生成精准字幕，都将变得更加轻松易得。

接入方式与定价策略

目前，这三款全新的语音模型均已通过OpenAI的实时语音API向开发者开放接入。具体的收费方案如下：

GPT-Realtime-2：采用按token用量计费，音频输入每百万token收费32美元（缓存输入的token价格为每百万0.40美元），音频输出每百万token收费64美元。

GPT-实时翻译：采用按使用时长计费，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。

从定价结构可以看出，OpenAI针对不同计算复杂度和资源消耗的应用场景提供了灵活的选择。随着这些模型被广泛集成与应用，我们即将迎来由下一代智能语音交互技术所驱动的产品变革。