试想一下：你打一个跨国电话，对面说的是法语，你听到的是中文——实时翻译，零延迟。这不是科幻，这是昨天发生的事。
一夜三发，OpenAI这次玩真的
5月8日，OpenAI一口气发布了三款语音AI模型。不是PPT，不是预告，是真真切切能调用的API。
三款模型分别叫什么？
- GPT-Realtime-2
— 首款GPT-5级推理语音模型，能处理复杂请求、工具调用、甚至你说话时打断它 - GPT-Realtime-Translate
— 实时同步翻译，70多种输入语言，13种输出语言 - GPT-Realtime-Whisper
— 低延迟流式转录，说话即转文字
GPT-Realtime-2：不只是听懂你说话
这是三款里最重磅的。为什么？因为它是第一个把GPT-5级别的推理能力装进语音交互的模型。
以前的语音助手是什么体验？"嘿Siri，设个闹钟"——简单指令勉强能听，稍微复杂点就"我在网上找到了这些信息"。
GPT-Realtime-2不一样。你可以跟它说："帮我订明天下午3点飞上海的机票，要靠窗的，价格不超过1500。"它会自己查航班、比较价格、完成预订——全程语音，不用你碰一下屏幕。
更绝的是，它支持打断。你说到一半突然改主意，"等等，改成后天吧"，它能无缝接住，不会像以前的语音助手那样傻掉。
价格呢？音频输入$32/百万Token，输出$64/百万Token。对开发者来说不算便宜，但考虑到能力，值。
实时翻译：70种语言，零等待
第二款模型，GPT-Realtime-Translate，专门解决一个古老的问题——语言障碍。
支持70多种输入语言，翻译成13种输出语言。实时同步，不是"你说完我翻"，而是"你边说我边翻"。
$0.034/分钟。一分钟三分四厘钱。打一个跨国商务电话，翻译费可能比电话费还便宜。
这意味着什么？意味着以后跟外国客户开会、跟海外团队协作，再也不需要翻译人员了。AI直接帮你搞定。
实时转写：说话即文字
第三款，GPT-Realtime-Whisper。名字有点长，但功能很简单——你说话，它实时转成文字。
$0.017/分钟，不到两分钱。会议纪要、采访记录、课堂笔记……这些曾经需要人工花几个小时做的事，现在AI实时搞定。
而且它已经集成进了Realtime API，开发者可以直接调用。不需要额外对接，一套接口搞定语音对话、翻译、转写三件事。
语音AI的iPhone时刻？
把这三款模型放在一起看，你会发现OpenAI在下很大的一盘棋。
之前的ChatGPT是文字交互。GPT-4o加了图片理解。现在，语音这块拼图也补上了。
而且不是那种"能用但不好用"的语音——是真正的GPT-5级推理+实时翻译+流式转录。三合一。
有人说这是语音AI的"iPhone时刻"。我觉得这个比喻不太准确。更准确的说法是：这是语音AI从"玩具"变成"工具"的时刻。
说实话，这三款模型让我最兴奋的不是技术本身，而是价格。实时翻译$0.034/分钟，实时转写$0.017/分钟——这个价格，已经低到普通用户都用得起了。技术再强，贵得离谱也没用。OpenAI显然意识到了这一点。当AI语音服务比一杯咖啡还便宜的时候，真正的普及才算开始。而这一天，可能比我们想象的来得更快。
作者：cDesign-天渊 | 发布日期：2026年5月9日