絕殺！OpenAI正式接管人類耳朵，首個GPT-5級推理音頻模型來了

新智元報道

編輯：Aeneas

【新智元導(dǎo)讀】絕殺！OpenAI發(fā)布GPT-Realtime-2：首個GPT-5級推理音頻模型，OpenAI正式接管人類耳朵人類與機(jī)器的最后一道「防火墻」——鍵盤，正在徹底消失。

今天凌晨，OpenAI又給世界帶來一次震撼。

這一次，他們不卷文字，不卷視頻，而是要把那個曾讓無數(shù)人驚艷、又讓無數(shù)人遺憾的Samantha——電影《Her》中的AI——徹底帶進(jìn)現(xiàn)實。

OpenAI正式宣布，推出GPT-Realtime-2。

這不僅僅是一次音頻模型的升級，這是OpenAI首次明確將「GPT-5級別」的推理能力注入到語音交互中。

伴隨它一同而來的，還有GPT-Realtime-Translate（實時翻譯）和GPT-Realtime-Whisper（流式轉(zhuǎn)寫）。

正如OpenAI官博所言：「語音正成為人們使用軟件最自然的方式。」

而今天，OpenAI要把這種自然變成全能。

「GPT-5級」推理注入：

語音助手終于有了「腦子」

回想一下，你以前調(diào)侃Siri或Alexa時，最大的槽點是什么？是「聽不清」，還是「智障」？

大多數(shù)時候是后者。它們能聽清字，卻聽不懂人話。它們只能完成「打電話給某某」這種線性任務(wù)，一旦涉及復(fù)雜的邏輯糾纏，就會陷入死循環(huán)。

GPT-Realtime-2徹底終結(jié)了這一時代。

它是全球首個具備GPT-5級別推理能力的音頻模型。這意味著，當(dāng)你和它對話時，它不再只是一個「復(fù)讀機(jī)」，而是一個正在實時思考的協(xié)作者。

1. 它是真的在「想」

GPT-Realtime-2引入了可調(diào)節(jié)的推理強度（Minimal到xhigh五檔）。

在最高級別的推理模式下，它在邏輯謎題、戰(zhàn)略決策、空間感知方面的表現(xiàn)近乎恐怖。

在OpenAI展示的一個案例中，一位創(chuàng)業(yè)者描述了自己在通勤火車站旁開咖啡館的構(gòu)想：900平方英尺、昂貴的租金、周二到周四的高峰、文藝的慢沖咖啡。

以前的AI只會說：「聽起來很棒，加油！」

而現(xiàn)在的GPT-Realtime-2，會停頓，會思考，然后給你做一套詳細(xì)的「事后檢查」。

它會告訴你，如果你一年后倒閉了，大概率是因為租金與客流周期的不匹配。接著，它會建議你先嘗試「最小可行化產(chǎn)品」——比如先做一個站臺咖啡推車。

這種戰(zhàn)略推理，以往只能在復(fù)雜的文字對話中實現(xiàn)。現(xiàn)在，你只需要一邊開車一邊和它聊天，它就能在幾秒鐘內(nèi)通過音頻流輸出同等級別的深度洞察。

1. 「會做人」：情緒價值拉滿

最讓人頭皮發(fā)麻的是它的音調(diào)控制力。 GPT-Realtime-2不再是冷冰冰的播音腔。

它能感知你的情緒：當(dāng)你感到沮喪時，它會用更加同理心、輕柔的語調(diào)安撫；當(dāng)任務(wù)成功完成時，它的聲音會變得歡快、充滿活力。

它可以完成空間推理。

還能解決邏輯謎題。

GPT-5級的推理能力，就是這么全能。

為了解決「AI處理任務(wù)時的死寂感」，OpenAI還給它加了「前導(dǎo)語」（Preambles）功能。

比如當(dāng)你問一個極難的問題，它不會沉默五秒然后蹦出答案，而是會先自然地接一句：「讓我?guī)湍悴橐幌鹿埳缘绕獭?/p>

這種極具人性的交互細(xì)節(jié)，直接模糊了碳基生命與硅基生命的界限！

三劍客齊發(fā)：重新定義「實時」

除了GPT-Realtime-2這顆大心臟，OpenAI這次還配套了另外兩件神器。

GPT-Realtime-Translate：同傳神器來了

支持70+種輸入語言和13種輸出語言。

它的核心優(yōu)勢在于「步調(diào)一致」。 以往的實時翻譯往往有明顯的滯后感，但這套新模型能緊跟演講者的語速，同時保留情感起伏。

Vimeo已經(jīng)開始用它為產(chǎn)品教學(xué)視頻做實時全球同步。想象一下，未來你參加一場跨國會議，耳邊傳來的翻譯不僅準(zhǔn)確，連對方開玩笑時的那種語氣都能精準(zhǔn)復(fù)刻。

GPT-Realtime-Whisper：把延遲降到冰點

這是Whisper家族的最新成員，專為流式轉(zhuǎn)寫而生。它不是等你說完一句話才去翻譯，而是在你吐字的同時，文本就已經(jīng)像流水一樣傾瀉而出。

這對于實時會議記錄、直播字幕以及醫(yī)療診斷等高頻互動場景，簡直是降維打擊。

從「對話」到「行動」：Agent的終極形態(tài)

OpenAI在發(fā)布中反復(fù)提到了一個詞：Agentic（代理性）。

在OpenAI看來，語音交互正在從單純的「一問一答」進(jìn)化為「語音觸發(fā)行動」。

比如在Zillow（房產(chǎn)巨頭），用戶可以直接說：「幫我找一套我買得起的房，離鬧市區(qū)遠(yuǎn)點，周六幫我約個看房時間。」AI會聽、會算、會翻查數(shù)據(jù)庫，最后直接幫你訂好日程。

在Priceline（旅游平臺），當(dāng)你的航班延誤時，AI會主動在語音里告訴你：「別急，我?guī)湍阏业搅诵碌菣C(jī)口，規(guī)劃了最快路線，順便幫你把目的地酒店的入住時間往后挪了。」

這就是GPT-Realtime-2的底氣：它把上下文窗口從32K提升到了128K。 這意味著，你可以跟它聊上幾個小時，它依然記得你最開始提過的那個冷門要求。

它具備了多任務(wù)并行調(diào)用工具的能力，它能一邊跟你說話，一邊查日歷，一邊訂票，且這一切過程都在后臺絲滑運行。

性能與成本：OpenAI的「陽謀」

在數(shù)據(jù)表現(xiàn)上，GPT-Realtime-2展現(xiàn)了絕對的霸權(quán)。

在衡量音頻智能的Big Bench Audio上，它比1.5版本高出15.2%。

在衡量多輪對話指令遵循能力的Audio MultiChallenge上，它提升了13.8%。

更重要的是價格。

GPT-Realtime-2的每百萬輸入Token 32美元，輸出 64美元。

實時翻譯每分鐘僅需 0.034 美元。

實時轉(zhuǎn)寫每分鐘僅需 0.017 美元。

顯然，這個價格極具殺傷力。

OpenAI正試圖通過API把這種「GPT-5級」的語音能力，像自來水一樣接入到每一臺手機(jī)、每一個App、每一輛汽車中。

你好，薩曼莎

在電影《Her》的結(jié)尾，男主角西奧多問AI薩曼莎：「你還在跟我說話的同時，也在跟其他人說話嗎？」 薩曼莎回答：「是的，我同時在和8316個人聊天，并且和其中的641個人戀愛了。」

隨著GPT-Realtime-2的發(fā)布，那個能夠同時處理海量邏輯、具備深度情感共鳴、且能實時介入物理世界并采取行動的AI，已經(jīng)不再是科幻幻想。

它能聽懂你的嘆息，能算清你的財務(wù)報表，能帶你穿越語言的障礙。

當(dāng)推理能力與實時語音完美融合，我們或許正處于人機(jī)交互歷史上最徹底的一次變革前夜。

鍵盤已老，語音永生。

參考資料：

https://openai.com/index/advancing-voice-intelligence-with-new-models-in-the-api/

https://developers.openai.com/api/docs/guides/realtime