北京
5月8日消息，美國時間周四，OpenAI面向開發者正式發布三款全新音頻大模型。此舉旨在大幅提升語音智能體的交互自然度，并賦予其在實時對話中直接執行任務的能力。
隨著新版API的開放，OpenAI正在跨越傳統的“語音轉錄”與“文本聊天”階段，向構建具備實時監聽、翻譯及執行能力的智能體延伸。
本次亮相的三款核心模型分別為GPT-Realtime-2、GPT-Realtime-Translate以及GPT-Realtime-Whisper。目前，上述模型均已在OpenAI的開發者測試平臺上線。
具體來看，三款模型在應用場景上各有所長：
旗艦模型GPT-Realtime-2專攻復雜任務處理。它不僅能精準調用外部工具，還能從容應對用戶在對話中的隨時打斷，并在超長語音交互中保持高度的語境(Context)連貫性。
GPT-Realtime-Translate主攻跨語言溝通。該模型支持將70多種源語言實時轉化為13種目標語言，直指智能客服、在線教育等全球化應用場景。
GPT-Realtime-Whisper聚焦實時語音識別(STT)。在用戶發言的同時，該模型可同步生成字幕和會議紀要，甚至自動觸發后續的工作流更新。
目前，包括在線房地產平臺Zillow(ZG.O)、在線旅行社Priceline以及歐洲電信運營商德國電信(DTEGn.DE)在內的多家企業客戶，正對上述模型進行早期測試。
定價方面，GPT-Realtime-2的音頻輸入成本為每百萬Token 32美元起；GPT-Realtime-Translate與GPT-Realtime-Whisper的計費標準則分別為每分鐘0.034美元和0.017美元。（易句）
（本文由AI翻譯，網易編輯負責校對）
本文來源：網易智能
責任編輯：
王鳳枝_NT2541
