https://332002.xyz/tags/%E8%AF%AD%E9%9F%B3%E6%A8%A1%E5%9E%8B/Recent content in 语音模型 on 周先森的小站Hugo -- gohugo.iozhFri, 08 May 2026 00:00:00 +0800https://332002.xyz/p/gpt-realtime-2/Fri, 08 May 2026 00:00:00 +0800https://332002.xyz/p/gpt-realtime-2/<p>OpenAI 在 Realtime API 里上线了三款新语音模型：<strong>GPT-Realtime-2</strong>、<strong>GPT-Realtime-Translate</strong> 和 <strong>GPT-Realtime-Whisper</strong>，分别管对话、翻译和实时转录。</p> <h2 id="gpt-realtime-2">GPT-Realtime-2 </h2><p>号称带 GPT-5 级别的推理能力。比上一代 GPT-Realtime-1.5，在 Big Bench Audio 智能测试上从 81.4% 涨到 96.6%，Audio MultiChallenge 多轮对话指令跟随从 34.7% 涨到 48.5%。</p> <p>几个实际变化：</p> <ul> <li><strong>开口前会先垫一句。</strong> 执行长任务前先说&quot;我查一下&quot;&ldquo;稍等一下&rdquo;，避免用户对着空气以为它死机了。</li> <li><strong>工具调用透明化。</strong> 能同时调多个工具，过程会被念出来，比如&quot;正在查你的日历&quot;&ldquo;正在搜索&rdquo;，让用户听到 agent 在干什么。</li> <li><strong>上下文窗口从 32K 扩到 128K</strong>，能撑更长的对话和更复杂的任务编排。</li> <li><strong>五档推理强度。</strong> 开发者可以在 minimal 到 xhigh 里选，默认 low。简单问答用低延迟，复杂任务挂高推理。</li> <li><strong>出错时会说&quot;这块我现在处理不了&quot;</strong>，不再直接卡死或乱讲。</li> </ul> <h2 id="translate-和-whisper">Translate 和 Whisper </h2><p><strong>GPT-Realtime-Translate</strong> 支持 70 多种输入语言、13 种输出语言的实时语音翻译，主打跨境客服、教育、直播场景。德国电信已经在测；BolnaAI 在印地语、泰米尔语、泰卢固语等印度方言场景下报告错词率比其他模型低 12.5%。</p> <p><strong>GPT-Realtime-Whisper</strong> 是流式版 Whisper，边说边出字幕，主打会议、直播、客服转录。</p> <h2 id="价格">价格 </h2><table> <thead> <tr> <th>模型</th> <th>计价</th> </tr> </thead> <tbody> <tr> <td>GPT-Realtime-2</td> <td>音频输入 $32 / 百万 token（缓存 $0.40），输出 $64 / 百万 token</td> </tr> <tr> <td>GPT-Realtime-Translate</td> <td>$0.034 / 分钟</td> </tr> <tr> <td>GPT-Realtime-Whisper</td> <td>$0.017 / 分钟</td> </tr> </tbody> </table> <p>三款都已在 Realtime API 上线，Playground 可以直接试 GPT-Realtime-2。</p>