每分钟0.11元！OpenAI三款音频模型上线，实时翻译支持70+语言

5月7日，OpenAI在Realtime API中推出三款音频模型——GPT‑Realtime‑2（首个具备GPT‑5级推理的语音模型）、GPT‑Realtime‑Translate（实时翻译）和GPT‑Realtime‑Whisper（流式转录），分别面向复杂推理、实时翻译和流式转录场景，旨在帮助开发者构建能够倾听、推理、翻译、转录并实时行动的“语音代理”智能体。

据Scale Labs公布的榜单，GPT-Realtime-2（xHigh）以48.45%的平均通过率（APR）位居Audio MultiChallenge S2S排行榜首位，超越了谷歌刚发布的Gemini-3.1-flash-live-preview（Thinking）的36.06%以及前代GPT-Realtime-1.5的34.73%，并且在指令保留方面从前代的36.7%跃升至70.8%，实现翻倍。

主流实时音频模型性能对比，GPT-realtime-2以48.45分位居榜首，领先其他竞品（图源Scale Labs）

其中GPT‑Realtime‑2在Big Bench Audio基准测试中音频智能得分比前代GPT‑Realtime‑1.5高出15.2%，在Audio MultiChallenge指令跟随测试中高出13.8%，定价为每百万音频输入token 32美元（约合人民币217元）（缓存输入token 0.4美元）（约合人民币2.7元）、每百万音频输出token 64美元（约合人民币435元）。

GPT‑Realtime‑Translate支持70多种输入语言和13种输出语言，定价为每分钟0.034美元（约合人民币0.23元）。

GPT‑Realtime‑Whisper提供低延迟流式语音转录，定价为每分钟0.017美元（约合人民币0.11元）。

三款模型均已集成至Realtime API，开发者可在Playground中测试，也可在Codex中打开提示快速将GPT‑Realtime‑2添加到现有应用或启动新项目。

GPT‑Realtime‑2在CRM场景中演示实时工具调用与会议摘要生成

OpenAI官方进一步披露了GPT‑Realtime‑2的多项技术增强：

早期测试客户包括在线房地产平台Zillow、在线旅游公司Priceline以及欧洲电信公司德国电信（Deutsche Telekom）。

Zillow正在构建一个能够倾听、推理并执行请求的助手，例如“在我可承受价格范围内找房子，避开繁忙街道，并安排周六看房”。Priceline正致力于实现完全由语音管理的完整旅行体验：以对话方式搜索航班和酒店，处理航班延误后调整酒店预订等变更，获取TSA等待时间的实时更新，并在旅客抵达后翻译对话。

在定价方面，GPT‑Realtime‑2每百万音频输入token为32美元（约合人民币217元）（缓存输入token为0.4美元）（约合人民币2.7元），每百万音频输出token为64美元（约合人民币435元）。

GPT‑Realtime‑Translate是一款专为实时语音翻译设计的模型，该模型能够“跟上说话者的节奏”进行对话式实时翻译，并支持从70多种语言翻译成13种输出语言，面向客户支持、教育等场景。

OpenAI官方更详细地介绍了该模型的能力与应用：

Vimeo启用GPT‑Realtime‑Translate为视频提供多语言实时配音

OpenAI官方进一步阐述了其技术优势与应用场景：

例如，一个旅行应用可以主动告诉旅行者：“您的入境航班延误了，但您仍能赶上转机。我找到了新登机口，规划了穿过航站楼的最快路线，您的行李预计仍会转运。”

该模型定价为每分钟0.017美元（约合人民币0.11元）。

OpenAI总结道：“这些模型一起将实时音频从简单的‘问与答’推向真正能工作的语音界面。在对话展开时，可以倾听、推理、翻译、转录并采取行动。