OpenAI 推出三款實時語音模型 可邊聽邊“思考”、翻譯和轉錄

OpenAI 今日發布三款全新的實時語音模型，旨在為開發者“解鎖新一代語音應用形態”。 這三款語音智能模型分別側重推理對話、實時翻譯和實時轉錄等不同場景需求。

根據 OpenAI 公布的信息，新系列包括 GPT?Realtime?2、GPT?Realtime?Translate 和 GPT?Realtime?Whisper 三個模型。 其中，GPT?Realtime?2 被定位為首款具備 GPT?5 級推理能力的語音模型，能夠更好地處理復雜請求，并以更自然的方式持續推進對話。 官方介紹稱，該模型專為實時語音交互打造，在用戶提問或發出指令時，一邊進行推理、一邊保持對話連貫，同時還能調用工具、處理用戶打斷和更正，并根據當下情境作出更貼切的回應。

第二款模型 GPT?Realtime?Translate 主打實時翻譯能力，可支持“70 多種輸入語言和 13 種輸出語言”，并在翻譯過程中盡量跟上說話者的語速。 這一特性意味著，跨語言通話、會議或直播等場景，有望通過該模型獲得更接近“同聲傳譯”的體驗。

第三款 GPT?Realtime?Whisper 則是一款實時流式語音轉寫模型，聚焦低延遲語音轉文本能力。 OpenAI 表示，該模型可以在說話者講話的同時即時完成轉錄，使得各類實時產品顯得更快速、更靈敏、更自然。 從直播字幕“邊說邊出”，到能跟上討論節奏的會議記錄，這類應用場景都被視為 GPT?Realtime?Whisper 的主要發力方向。

在接入方式與價格方面，OpenAI 稱三款新語音模型均已納入其 Realtime API 體系。 GPT?Realtime?2 的定價為每 100 萬音頻輸入 Token 收費 32 美元（緩存輸入 Token 為 0.40 美元），每 100 萬音頻輸出 Token 收費 64 美元。 GPT?Realtime?Translate 的價格為每分鐘 0.034 美元，而 GPT?Realtime?Whisper 的價格為每分鐘 0.017 美元。

OpenAI 表示，開發者可以通過 Playground 直接測試這些新的實時語音模型。 若已安裝 Codex，只需在指定提示上點擊提交，即可將 GPT?Realtime?2 添加到現有應用，或基于該模型快速創建一款新應用。 官方也在其網站上進一步介紹了這三款語音模型的技術細節，以及部分合作企業已經如何在實際產品中加以利用。

在生成式 AI 持續向多模態與實時交互演進的背景下，OpenAI 此次發布的三款語音模型，被視為其在“語音智能”方向上的又一重要布局。 隨著推理、翻譯與轉錄能力的統一整合，開發者將能夠更輕松地為用戶提供“開口就能用”的語音 AI 體驗，從助手工具到生產力應用，再到內容創作與無障礙服務，都有望迎來新一輪探索與創新。