GPT-5級推理能力塞進語音模型，OpenAI把同傳翻譯成本砍穿地板價

聽雨 發自 凹非寺量子位 | 公眾號 QbitAI

OpenAI上新三款實時語音模型，不僅集成了GPT-5級的推理能力，還重擊了一拳同傳行業：

能緊跟發言人節奏的同聲傳譯，現在每分鐘成本兩毛五

三款模型分別是GPT-Realtime-2GPT-Realtime-TranslateGPT-Realtime-Whisper，把端到端推理語音、同聲傳譯、流式轉寫三件事打包進了同一套API。

效果有點炸裂。

OpenAI員工Jason Liu對著麥克風說英語，GPT-Realtime-Translate直接實時把它翻譯成了日語。

整個過程流式進行，不需要等說話人說完一整句，翻譯就開始跟隨輸出。

【此處無法插入視頻，遺憾……可到量子位公眾號查看～】

網友Claire Vo用ChatPRD結合GPT-Realtime-2，對著麥克風說了一句話：幫我寫一份產品需求文檔。

接下來的十分鐘里，她沒有碰過一次鍵盤，僅憑語音對話，AI就生成了一份完整的PRD。

她再用語音要求改格式，AI實時更新。全程對話驅動，沒有鍵盤。

【此處無法插入視頻，遺憾……可到量子位公眾號查看～】

還有網友Ben Badejo，他把GPT-Realtime-2和OpenClaw集成在一起，語音指揮AI操控瀏覽器：打開Google，跳轉到華爾街日報。

AI一邊執行，一邊還主動匯報進度：正在打開瀏覽器……現在跳轉中。

【此處無法插入視頻，遺憾……可到量子位公眾號查看～】

他表示，自己三月份就在琢磨如何給自己的龍蝦搭建語音對講系統，現在只需要把OpenClaw連接新的OpenAI模型就行了。

僅僅幾分鐘就完成了重大升級。

OpenAI這次放出的三款模型，也是各有定位：

• GPT-Realtime-2：帶著GPT-5級推理說人話辦人事；
• GPT-Realtime-Translate：能把70多種語言實時翻譯成13種語言輸出，每分鐘約2毛5。
• GPT-Realtime-Whisper：負責邊說話邊出文字的低延遲轉錄。

官方表示，語音正逐漸成為人們使用軟件最自然的方式之一。這三款模型一起，把語音從簡單的聽話回話，推向了真正「能干活的交互界面」——

這下，大模型真的能像人類一樣，跟你邊聊天邊把活干了。

三款新模型：能聽、能譯、能推理

GPT-Realtime-2是這次的重頭戲。

這是OpenAI首款搭載GPT-5級推理的語音模型，真正把推理能力塞進了端到端的語音交互里。

最直接的升級是上下文窗口：從32K直接拉到128K，翻了4倍。

這意味著語音Agent可以支撐更長的對話，處理更復雜的任務流，而不會聊著聊著就忘了前面說了什么。

推理強度還可以5檔調節：minimal、low、medium、high、xhigh，默認low。

問個天氣用low秒回，丟給它一個商業分析大題用xhigh慢慢推演。

但最體現GPT-5級推理的，是它開始學會邊說話邊干活了。

以前的語音助手，你說一句它回一句，腦子里一次只能想一件事。

GPT-Realtime-2現在支持并行工具調用，可以一邊嘴里說著正在查您的日程表，一邊后臺同時調用地圖、日歷、租房軟件。

【此處無法插入視頻，遺憾……可到量子位公眾號查看～】

官方demo中，負責人Romain Huet對著手機上的個人助手說一句：

• 我馬上有個客戶會議，能幫我看一下日程嗎？

模型會立刻查看日歷，回復說12分鐘后有一個跟Sablecrest Robotics 的CTO Alex Kim的會議。接著更新CRM，把今天的會議摘要和后續步驟錄入系統。

它還學會了Preambles，也就是前置語。后臺在拉數據的時候，會先對你說「讓我核實一下」，或者「稍等片刻」。

這個看似廢話的設計，最大程度緩解了等待時的焦慮。人在思考的時候也會說「呃讓我想想」，現在AI也學會了。

語氣也是可控的，平靜、共情、興奮，按需切換。

跑分怎么樣？

Big Bench Audio這項評估音頻推理能力的榜單上，GPT-Realtime-2（high檔）拿了96.6%，上代是81.4%，提升了15.2個點。

Audio MultiChallenge測多輪對話指令跟隨，xhigh檔跑出48.5%，上代只有34.7%，又漲了13.8個點。

定價方面，GPT-Realtime-2按token計費，$32/1M音頻輸入token，$64/1M音頻輸出token，緩存輸入只要$0.40。

和上一代GPT-Realtime-1.5價格持平，但能力大幅躍升。

在企業實測中，Zillow拿最難的對抗性基準跑了一遍，通話成功率從69%直接跳到95%，提升了26個百分點。

Zillow的SVP Josh Weisberg表示：

• GPT-Realtime-2在復雜語音交互中的智能和工具調用可靠性最突出，Fair Housing合規性也顯著增強。

這意味著語音Agent不再只是接接電話，而是真的能處理高價值、高合規要求的業務場景了。

再來看另外兩款模型。

GPT-Realtime-Translate，流式同聲傳譯。

真的是把同聲傳譯干到了白菜價。

支持70多種語言輸入，13種語言輸出。它不是說一句翻譯一句的回合制，而是說話人邊說母語，系統邊實時輸出翻譯，幾乎沒有停頓。

定價$0.034/分鐘，折合人民幣約2毛5

按這個價，連續翻譯一小時不到15塊，甚至比一杯奶茶還便宜。

對口音和方言包容度也很高。印度AI公司BolnaAI拿印地語、泰米爾語、泰盧固語這些口音濃重的語言去測，WER（詞錯誤率）比其他模型低12.5%，延遲能維持自然對話。

GPT-Realtime-Whisper，流式實時轉錄。

邊說話邊出文字，低延遲speech-to-text。

定價$0.017/分鐘，折合人民幣約1毛錢，一小時連續轉寫不到6塊錢。

應用場景主要在實時字幕、會議速記、客服通話記錄、課堂筆記。

以后開會，領導剛說完前半句，屏幕上的文字已經跟上了。

同傳更有性價比了

OpenAI這三款語音模型，沖擊最大的應該是同聲傳譯行業。

如果算一筆賬：

人工同聲傳譯，英語語種一天收費1.2萬到2.1萬元；非英語語種，比如日語、韓語、阿拉伯語，1.8萬元起。

通常需要2到3名譯員輪換，折算下來每小時數千至上萬元。

這還不算設備。同傳間、耳機、接收器，一套專業設備租一天也要幾千。

所以過去能用上同傳的，基本是這幾種場景：國際峰會、跨國企業董事會、高端醫療會診、法律仲裁。

普通開發者、中小教育機構、出海創業公司，基本和這個詞無緣。

但現在，OpenAI親自下場把這件事做進了API：

GPT-Realtime-Translate，定價是$0.034/分鐘，折合人民幣0.25元/分鐘

按這個價格，連續翻譯8小時，總成本不到120塊，還不到人工同傳兩分鐘的價錢，其中的差距大約是66倍

人工智能沖擊傳統行業……又一次具象化了。

不過呢，AI同傳和人工同傳目前還不是完全替代關系。

更準確來說，OpenAI做的是「讓同傳這件事不再是特權」

過去只有大型企業、政府機構、高端會議才用得起的服務，現在任何開發者都可以把它接進自己的產品。

一個出海電商客服系統，一個跨國視頻會議工具，一個在線教育平臺，甚至一個個人Chrome插件，都能擁有實時多語言翻譯能力。

可以想見，人類同傳的價值會向上遷移。文化語境、創意表達、法律精確性、醫療專業性，這些機器短期內還替代不了。

但基礎的、高頻的、標準化的翻譯需求，會被API大規模吞掉。

One More Thing

聊了這么多，三款新模型，如何接入呢？

最快的方式是打開OpenAI Playground（地址附在下方），瀏覽器里直接測，三款模型都可用，不需要寫代碼。

想接入自己的項目，官方提供了Codex prompt模板，一鍵把GPT-Realtime-2接進現有App或新建項目。

成本方面，Whisper最便宜，一小時連續轉寫約1美元；Translate中等，一小時約2美元。

Realtime-2按token計費，實際成本取決于對話量和推理強度，和上一代價格持平。

感興趣的友友們，快去體驗起來吧~

Playground地址：
https://platform.openai.com/login?next=%2Faudio%2Frealtime

[1]https://x.com/OpenAI/status/2052438194625593804
[2]https://openai.com/index/advancing-voice-intelligence-with-new-models-in-the-api/
[3]https://x.com/jxnlco/status/2052449634266812744