OpenAI連發(fā)三款語(yǔ)音模型：推理、翻譯、實(shí)時(shí)轉(zhuǎn)寫(xiě)

OpenAI剛剛發(fā)布了三款實(shí)時(shí)語(yǔ)音模型，稱(chēng)它們將"為開(kāi)發(fā)者解鎖全新類(lèi)別的語(yǔ)音應(yīng)用"。三款模型各有專(zhuān)攻，分別面向推理、翻譯和實(shí)時(shí)轉(zhuǎn)寫(xiě)三個(gè)場(chǎng)景。

第一款是GPT-Realtime-2。OpenAI將其定位為GPT-5級(jí)別的語(yǔ)音推理模型，專(zhuān)為實(shí)時(shí)對(duì)話(huà)設(shè)計(jì)。官方描述是：模型在推理用戶(hù)請(qǐng)求的同時(shí)保持對(duì)話(huà)流暢，可以調(diào)用工具、處理糾正或打斷，并以符合當(dāng)下情境的方式回應(yīng)。簡(jiǎn)單說(shuō)，它能在"思考"的同時(shí)不冷場(chǎng)。

第二款是翻譯模型。支持70種輸入語(yǔ)言和13種輸出語(yǔ)言。這個(gè)數(shù)字對(duì)比很鮮明——輸入端覆蓋全球主要語(yǔ)種，輸出端則聚焦于使用頻率最高的語(yǔ)言。對(duì)開(kāi)發(fā)者來(lái)說(shuō)，這意味著可以用一套接口覆蓋絕大多數(shù)跨語(yǔ)言場(chǎng)景。

第三款是GPT-Realtime-Whisper，主打低延遲流式語(yǔ)音轉(zhuǎn)文字。OpenAI強(qiáng)調(diào)它"隨說(shuō)隨轉(zhuǎn)"，讓實(shí)時(shí)產(chǎn)品感覺(jué)更快、更自然——從即時(shí)出現(xiàn)的字幕，到跟得上對(duì)話(huà)節(jié)奏的會(huì)議記錄。

三款模型均已接入OpenAI的Realtime API。定價(jià)方面：GPT-Realtime-2為每分鐘0.08美元，翻譯模型每分鐘0.04美元，轉(zhuǎn)寫(xiě)模型每分鐘0.02美元。開(kāi)發(fā)者現(xiàn)在可以在Playground中測(cè)試，有Codex的用戶(hù)也可以直接通過(guò)提示詞將GPT-Realtime-2集成到現(xiàn)有應(yīng)用。

這次發(fā)布的一個(gè)信號(hào)是：OpenAI正在把語(yǔ)音從"功能"變成"基礎(chǔ)設(shè)施"。推理、翻譯、轉(zhuǎn)寫(xiě)——這三個(gè)能力覆蓋了語(yǔ)音交互的核心鏈條。對(duì)開(kāi)發(fā)者而言，組合空間很大：一個(gè)客服機(jī)器人可以同時(shí)聽(tīng)懂、思考、用用戶(hù)母語(yǔ)回應(yīng)；一個(gè)會(huì)議工具可以邊錄邊出紀(jì)要，還能實(shí)時(shí)翻譯成多國(guó)語(yǔ)言。

不過(guò)定價(jià)也劃出了門(mén)檻。以GPT-Realtime-2為例，每分鐘0.08美元意味著每小時(shí)4.8美元。對(duì)C端小應(yīng)用不算便宜，但對(duì)B端場(chǎng)景——比如替代人工客服或同傳——這個(gè)成本結(jié)構(gòu)有競(jìng)爭(zhēng)力。關(guān)鍵看開(kāi)發(fā)者能不能找到足夠高的價(jià)值錨點(diǎn)。