OpenAI发布GPT-Realtime 2.0实时语音模型,支持语音输入输出并内置GPT-5级推理能力
该模型可实现低延迟对话、工具调用与中断处理,已被用于开发语音操控电脑的应用,如实时控制Spotify、VS Code等。
市场机制上,开发者加速构建语音Agent操作系统,资金从文本AI流向实时语音交互与电脑控制工具,OpenAI受益于模型领先优势,传统界面应用承压于语音Agent替代趋势。
来源:公开信息
ABAB AI 解读
OpenAI此前已推出Realtime API,此次GPT-Realtime 2.0升级重点增强推理努力度、可配置工具调用与更长上下文,延续从GPT-4o语音模式向真正Agentic语音交互的演进路径。
资本路径上,OpenAI将资源投入语音模型工具集成与低延迟优化,动机在于让AI通过自然语言直接操控电脑、应用与工作流,形成新的交互层,降低用户对传统GUI的依赖。
类似案例包括Heyclicky等YC项目用GPT-Realtime 2.0实现Mac全语音控制,以及早期Siri/Alexa向复杂任务Agent的缓慢演化;当前实时语音AI正处于从对话工具向电脑操作系统替代品的转型早期。
本质属于技术替代:人机交互从键盘/鼠标GUI转向实时语音Agent OS,机制在于模型推理与工具调用能力的突破降低了交互摩擦,使得语音成为更高带宽的控制通道,从而重构软件使用方式与开发者工具链。
ABAB News · 认知定律
语音越自然,界面越消失。
推理越强,Agent越像操作系统。
优秀AI卖操控,传统AI卖回答。