听雨 发自 凹非寺

量子位 | 公众号 QbitAI

OpenAI上新三款实时语音模型，不仅集成了GPT-5级的推理能力，还重击了一拳同传行业：

能紧跟发言人节奏的同声传译，现在每分钟成本两毛五。

三款模型分别是GPT-Realtime-2、GPT-Realtime-Translate、GPT-Realtime-Whisper，把端到端推理语音、同声传译、流式转写三件事打包进了同一套API。

效果有点炸裂。

OpenAI员工Jason Liu对着麦克风说英语，GPT-Realtime-Translate直接实时把它翻译成了日语。

整个过程流式进行，不需要等说话人说完一整句，翻译就开始跟随输出。

网友Claire Vo用ChatPRD结合GPT-Realtime-2，对着麦克风说了一句话：帮我写一份产品需求文档。

接下来的十分钟里，她没有碰过一次键盘，仅凭语音对话，AI就生成了一份完整的PRD。

她再用语音要求改格式，AI实时更新。全程对话驱动，没有键盘。

还有网友Ben Badejo，他把GPT-Realtime-2和OpenClaw集成在一起，语音指挥AI操控浏览器：打开Google，跳转到华尔街日报。

AI一边执行，一边还主动汇报进度：正在打开浏览器……现在跳转中。

他表示，自己三月份就在琢磨如何给自己的龙虾搭建语音对讲系统，现在只需要把OpenClaw连接新的OpenAI模型就行了。

仅仅几分钟就完成了重大升级。

OpenAI这次放出的三款模型，也是各有定位：

• GPT-Realtime-2：带着GPT-5级推理说人话办人事；

• GPT-Realtime-Translate：能把70多种语言实时翻译成13种语言输出，每分钟约2毛5。

• GPT-Realtime-Whisper：负责边说话边出文字的低延迟转录。

官方表示，语音正逐渐成为人们使用软件最自然的方式之一。这三款模型一起，把语音从简单的听话回话，推向了真正「能干活的交互界面」——

这下，大模型真的能像人类一样，跟你边聊天边把活干了。

三款新模型：能听、能译、能推理

GPT-Realtime-2是这次的重头戏。

这是OpenAI首款搭载GPT-5级推理的语音模型，真正把推理能力塞进了端到端的语音交互里。

最直接的升级是上下文窗口：从32K直接拉到128K，翻了4倍。

这意味着语音Agent可以支撑更长的对话，处理更复杂的任务流，而不会聊着聊着就忘了前面说了什么。

推理强度还可以5档调节：minimal、low、medium、high、xhigh，默认low。

问个天气用low秒回，丢给它一个商业分析大题用xhigh慢慢推演。

但最体现GPT-5级推理的，是它开始学会边说话边干活了。

以前的语音助手，你说一句它回一句，脑子里一次只能想一件事。

GPT-Realtime-2现在支持并行工具调用，可以一边嘴里说着正在查您的日程表，一边后台同时调用地图、日历、租房软件。

官方demo中，负责人Romain Huet对着手机上的个人助手说一句：

我马上有个客户会议，能帮我看一下日程吗？

模型会立刻查看日历，回复说12分钟后有一个跟Sablecrest Robotics 的CTO Alex Kim的会议。接着更新CRM，把今天的会议摘要和后续步骤录入系统。

它还学会了Preambles，也就是前置语。后台在拉数据的时候，会先对你说「让我核实一下」，或者「稍等片刻」。

这个看似废话的设计，最大程度缓解了等待时的焦虑。人在思考的时候也会说「呃让我想想」，现在AI也学会了。

语气也是可控的，平静、共情、兴奋，按需切换。

跑分怎么样？

Big Bench Audio这项评估音频推理能力的榜单上，GPT-Realtime-2（high档）拿了96.6%，上代是81.4%，提升了15.2个点。

Audio MultiChallenge测多轮对话指令跟随，xhigh档跑出48.5%，上代只有34.7%，又涨了13.8个点。

定价方面，GPT-Realtime-2按token计费，$32/1M音频输入token，$64/1M音频输出token，缓存输入只要$0.40。

和上一代GPT-Realtime-1.5价格持平，但能力大幅跃升。

在企业实测中，Zillow拿最难的对抗性基准跑了一遍，通话成功率从69%直接跳到95%，提升了26个百分点。

Zillow的SVP Josh Weisberg表示：

GPT-Realtime-2在复杂语音交互中的智能和工具调用可靠性最突出，Fair Housing合规性也显著增强。

这意味着语音Agent不再只是接接电话，而是真的能处理高价值、高合规要求的业务场景了。

再来看另外两款模型。

GPT-Realtime-Translate，流式同声传译。

真的是把同声传译干到了白菜价。

支持70多种语言输入，13种语言输出。它不是说一句翻译一句的回合制，而是说话人边说母语，系统边实时输出翻译，几乎没有停顿。

定价$0.034/分钟，折合人民币约2毛5。

按这个价，连续翻译一小时不到15块，甚至比一杯奶茶还便宜。

对口音和方言包容度也很高。印度AI公司BolnaAI拿印地语、泰米尔语、泰卢固语这些口音浓重的语言去测，WER（词错误率）比其他模型低12.5%，延迟能维持自然对话。

GPT-Realtime-Whisper，流式实时转录。

边说话边出文字，低延迟speech-to-text。

定价$0.017/分钟，折合人民币约1毛钱，一小时连续转写不到6块钱。

应用场景主要在实时字幕、会议速记、客服通话记录、课堂笔记。

以后开会，领导刚说完前半句，屏幕上的文字已经跟上了。

同传更有性价比了

OpenAI这三款语音模型，冲击最大的应该是同声传译行业。

如果算一笔账：

人工同声传译，英语语种一天收费1.2万到2.1万元；非英语语种，比如日语、韩语、阿拉伯语，1.8万元起。

通常需要2到3名译员轮换，折算下来每小时数千至上万元。

这还不算设备。同传间、耳机、接收器，一套专业设备租一天也要几千。

所以过去能用上同传的，基本是这几种场景：国际峰会、跨国企业董事会、高端医疗会诊、法律仲裁。

普通开发者、中小教育机构、出海创业公司，基本和这个词无缘。

但现在，OpenAI亲自下场把这件事做进了API：

GPT-Realtime-Translate，定价是$0.034/分钟，折合人民币0.25元/分钟。

按这个价格，连续翻译8小时，总成本不到120块，还不到人工同传两分钟的价钱，其中的差距大约是66倍。

人工智能冲击传统行业……又一次具象化了。

不过呢，AI同传和人工同传目前还不是完全替代关系。

更准确来说，OpenAI做的是「让同传这件事不再是特权」。

过去只有大型企业、政府机构、高端会议才用得起的服务，现在任何开发者都可以把它接进自己的产品。

一个出海电商客服系统，一个跨国视频会议工具，一个在线教育平台，甚至一个个人Chrome插件，都能拥有实时多语言翻译能力。

可以想见，人类同传的价值会向上迁移。文化语境、创意表达、法律精确性、医疗专业性，这些机器短期内还替代不了。

但基础的、高频的、标准化的翻译需求，会被API大规模吞掉。

One More Thing

聊了这么多，三款新模型，如何接入呢？

最快的方式是打开OpenAI Playground（地址附在下方），浏览器里直接测，三款模型都可用，不需要写代码。

想接入自己的项目，官方提供了Codex prompt模板，一键把GPT-Realtime-2接进现有App或新建项目。

成本方面，Whisper最便宜，一小时连续转写约1美元；Translate中等，一小时约2美元。

Realtime-2按token计费，实际成本取决于对话量和推理强度，和上一代价格持平。

感兴趣的友友们，快去体验起来吧~

Playground地址：

https://platform.openai.com/login?next=%2Faudio%2Frealtime

参考链接：

[1]https://x.com/OpenAI/status/2052438194625593804

[2]https://openai.com/index/advancing-voice-intelligence-with-new-models-in-the-api/

[3]https://x.com/jxnlco/status/2052449634266812744