OpenAI Realtime API上線三款新語音模型
OpenAI在Realtime API中發佈GPT-Realtime-2、GPT-Realtime-Translate和GPT-Realtime-Whisper三款新語音模型，分別專注對話、實時翻譯和流式轉錄。
GPT-Realtime-2具備GPT-5級推理能力，Big Bench Audio得分從81.4%升至96.6%，Audio MultiChallenge多輪指令跟隨從34.7%升至48.5%，上下文窗口擴至128K，支持五檔推理強度調節。
新模型增加開口前墊句、工具調用透明播報、出錯主動說明等交互優化；Translate支持70+輸入語言和13種輸出語言，已被德國電信測試；Whisper爲流式轉錄版本。
來源：公開信息
ABAB AI 解讀
OpenAI此前已推出Realtime API v1並迭代GPT-4o-realtime，此次GPT-Realtime-2直接對標GPT-5級能力，是繼o1/o3推理系列後在語音實時場景的快速跟進，延續其“把前沿推理塞進低延遲接口”的產品節奏。
資本路徑上，OpenAI通過分層定價（輸入$32/M、輸出$64/M）和可調節推理強度，將高算力資源精準匹配複雜任務，企業開發者付費意願提升，資金從通用模型訓練轉向實時多模態基礎設施建設，動機是搶佔語音Agent與跨境客服市場，同時通過Playground快速獲用戶反饋加速迭代。
類似Google Gemini Live在實時翻譯上的佈局，以及Deepgram、AssemblyAI在企業轉錄領域的競爭，目前實時語音AI正處於從單輪對話向長上下文Agent控制的轉型階段。
本質屬於技術替代：通過透明工具調用和上下文擴容實現語音接口從“聊天工具”向“可編程Agent操作系統”的躍遷，機制在於降低用戶等待焦慮與黑箱感，讓實時推理能力在企業工作流中直接替代人工客服和多語言協調環節，從而將定價權向掌握低延遲基礎設施的平臺集中。
ABAB News · 認知定律
模型越聰明，用戶越需要聽到它在“幹活”而不是猜它死沒死。
上下文窗口越大，Agent從玩具變成流程主宰的速度越快。
實時不是快，而是讓用戶始終感覺到AI在和自己同頻呼吸。