OpenAI 发布三款实时语音大模型：语音交互进入新纪元

2026年5月8日，OpenAI 正式发布三款全新实时语音模型，吹响了语音 AI 赛道的新一轮冲锋号。这一次不是单一的"更自然"，而是三款各司其职的产品——推理、翻译、转录，覆盖了语音应用最核心的三个场景。

三款模型，一文读懂 1. GPT-Realtime-2：首款 GPT-5 级推理语音模型

这是今天最受关注的产品。GPT-Realtime-2 内置 GPT-5 级别的推理能力，意味着它不再只是"听到→回应"，而是能够在对话进行中同步完成推理、工具调用、上下文管理。

具体能力：

• 前置短语（Pre-phrasing）：智能体可以说"让我查一下"再处理，用户体验更流畅

• 并行工具调用：同时调用多个工具，并通过"正在查看你的日历"这类提示让过程可感知

• 上下文窗口从 32K 扩展到 128K：支持更长的连贯会话和复杂任务

• 五档推理强度：minimal / low / medium / high / xhigh，开发者可灵活平衡延迟与深度

评测数据：

• Big Bench Audio 音频智能评测，比上一代（GPT-Realtime-1.5）提升15.2%

• Audio MultiChallenge 指令遵循评测，比上一代提升13.8%

实时翻译模型，支持70+ 种输入语言 → 13 种输出语言，翻译速度与说话者同步。

这意味着你可以用普通话说话，对方实时听到法语/日语/西班牙语……不再是"说完等翻译"，而是真正的同传体验。

应用场景：

• 跨境客服：用母语沟通，消除语言障碍

• 国际会议：实时生成多语言字幕

• 教育：留学生用母语听课，教师听到即时翻译

• 旅行/医疗：关键场景下的无障碍沟通

专为低延迟设计的流式语音转文字模型。说话的同时，文字已经出现在屏幕上。

应用场景：

• 即时字幕（直播、会议）

• 会议记录自动生成

• 课堂/活动实时文字化

• 配合语音智能体，实现"边听边理解"

模型

定价

GPT-Realtime-2

音频输入 百 万 （ 缓 存 输 入 0.40）；音频输出 $64/百万token

GPT-Realtime-Translate$0.034/分钟GPT-Realtime-Whisper$0.017/分钟

翻译和转录的价格已经非常亲民，实时翻译每分钟不到 4 美分，转录每分钟不到 2 美分。

为什么说这是"语音交互新纪元"？

过去要实现一个完整的语音智能体，需要：语音识别（Whisper）→ 文本理解（LLM）→ 语音合成（TTS），三层串联，延迟高、体验割裂。

OpenAI 这次的思路是：让语音模型原生具备推理和行动能力。

现在的语音智能体可以：

• 理解用户的真实意图和上下文

• 在对话进行中调用工具（查日历、发邮件、预订会议室）

• 实时翻译消除语言障碍

• 边说话边生成文字记录

从"一问一答"进化到"能真正完成工作的语音界面"。

开发者的新武器：Realtime API

三款模型均已上线Realtime API，开发者可通过 WebRTC 快速集成。

关键功能：

• 远程 MCP 服务器支持：直接连接外部工具（Stripe 支付、数据库等）

• 图像输入：语音模型也能"看"，可以问"这张截图里写的什么"

• SIP 协议支持：直接打电话，接入公共电话网络

语音正在成为人与软件之间最自然的交互界面。开车时求助、走路时改签、边做事边完成任务——不需要停下来打字。

OpenAI 今天的三款模型，把实时音频从简单的一问一答，升级成能真正完成工作的语音界面。推理、翻译、转录——三剑出鞘，语音 AI 的应用空间被彻底打开。

这场变革，才刚刚开始。

• OpenAI Platform: platform.openai.com

• Realtime API 文档: platform.openai.com/docs/guides/realtime

• Playground 测试: platform.openai.com/playground