​OpenAI 发布三款实时语音模型，针对推理对话、实时翻译和实时转录

GPT‑Realtime‑2 成了首款自带 GPT‑5 级推理的语音模型

OpenAI 把三款实时语音模型塞进了 Realtime API：GPT‑Realtime‑2、GPT‑Realtime‑Translate 和 GPT‑Realtime‑Whisper。有开发者试了说，GPT‑Realtime‑2 是第一个能在说话的同时做复杂推理的语音模型，用户提问时它直接边听边推理，保持对话连贯性，还能调用工具、处理打断和更正，根据情境给出更贴切的回应。

翻译模型比同传还快

GPT‑Realtime‑Translate 专门做实时翻译，支持 70 多种输入语言 和 13 种输出语言。群里在传，它的设计目标就是尽量跟上说话者语速，实现近乎“同声传译”的效果。跨语言通话、会议或直播场景下，开发者可以用它来打通语言障碍。

转写模型跟嘴同步

GPT‑Realtime‑Whisper 是实时流式语音转写模型，主打低延迟。有开发者试了说，它能在说话者讲话的同时即时完成转录，比之前的老版本快不少。直播字幕实时生成、会议记录跟上讨论节奏，这些场景都能用上。

价格和接入方式

这些模型已纳入 OpenAI 的 Realtime API。具体定价：

• GPT‑Realtime‑2：每 100 万音频输入 Token 32 美元，每 100 万音频输出 Token 64 美元（输出Token比输入贵一倍，适合短促问答场景）。
• GPT‑Realtime‑Translate：每分钟 0.034 美元（约合每小时 2 美元，比专业人工同传便宜得多）。
• GPT‑Realtime‑Whisper：每分钟 0.017 美元（一小时才 1 美元，直播字幕成本几乎可以忽略）。

开发者可以通过 Playground 直接测试，或把已有应用快速集成。

划重点：

• 🔊 GPT‑Realtime‑2 具备高级推理能力，实现更自然的实时对话。
• 🌐 GPT‑Realtime‑Translate 支持多种语言，提供接近同声传译的翻译体验。
• 📝 GPT‑Realtime‑Whisper 实现低延迟转录，适用于直播和会议记录等场景。

接下来盯着看：实时翻译能不能在延迟上干掉人类同传，以及低延迟转写会不会让 Zoom 会议字幕的延迟再降一半——这会让传统语音服务商很难受，而做实时字幕的初创公司直接受益。