OpenAI API现已新增语音智能功能，支持开发人员构建具备对话、文本转换及翻译能力的应用程序。
GPT-Realtime-2：推理升级与长上下文支持
新一代语音模型GPT-Realtime-2基于GPT‑5级别推理能力构建，旨在实现更真实的语音交互模拟。相比前代GPT-Realtime-1.5，该模型在Big Bench Audio基准测试中得分提升15.2%，显著增强了复杂需求处理能力。
核心改进包括：
- 上下文窗口扩展：从32K提升至128K，确保长会话中的连贯性；
- 多工具调用：支持并发执行任务，并通过“正在检查日历”等中间反馈实时同步进度。
GPT-Realtime-Translate：实时双语交互
专为实时对话翻译设计，支持理解70多种语言及13种语言输出。该功能可同步生成转录文本，实现“听译+看字”的双重体验。
GPT-Realtime-Whisper：低延迟实时转录
新推出的转录功能适用于会议记录、实时字幕、直播及客服场景。所有新语音模型均已整合至Realtime API，提供低延迟语音转文本服务。
计费标准
- Translate & Whisper：按分钟计费；
- GPT-Realtime-2：按Token消耗量计费，语音输入$32/百万Token，语音输出$64/百万Token。
我们联合推出的这些模型，将实时语音从简单的问答格式，转变为能够随着对话推进执行聆听、推理、翻译、转录和行动等功能的语音界面。
OpenAI表示，新功能将赋能教育、媒体及内容创作等领域。同时，系统已部署安全防护机制，通过特定触发器自动拦截垃圾信息与欺诈等违规内容，防止技术滥用。