OpenAI发布三款实时语音模型：GPT-5级推理融入语音，同传成本降至每分钟两毛五

事件概述

OpenAI于2026年5月8日发布三款实时语音模型的API，分别为GPT-Realtime-2、GPT-Realtime-Translate和GPT-Realtime-Whisper，将端到端推理语音、同声传译和流式转写打包在同一套API中。其中GPT-Realtime-2首次将GPT-5级别的推理能力融入语音模型，GPT-Realtime-Translate将同声传译成本降至每分钟约0.25元人民币（$0.034/分钟），GPT-Realtime-Whisper实现低延迟语音转录，定价为每分钟约0.12元人民币（$0.017/分钟）。

核心信息

1. GPT-Realtime-2

• 首款搭载GPT-5级推理的端到端语音模型，上下文窗口从32K提升至128K，支撑更长对话与复杂任务流。
• 推理强度分5档调节：minimal、low、medium、high、xhigh，默认low。
• 支持并行工具调用，可在说话同时后台调用地图、日历等多工具。
• 引入“Preambles”前置语（如“让我核实一下”），缓解等待焦虑。语气可调（平静、共情、兴奋）。
• 定价：$32/百万音频输入token，$64/百万音频输出token，缓存输入$0.40。
• 性能提升：Big Bench Audio评分96.6%（上代81.4%），Audio MultiChallenge评分48.5%（上代34.7%）。企业实测中，Zillow通话成功率从69%提升至95%。

2. GPT-Realtime-Translate

• 流式同声传译：支持70+种语言输入，13种语言输出，无需等待讲话人说完整句即可实时翻译。
• 定价：$0.034/分钟（约0.25元人民币/分钟），连续翻译8小时成本不到120元。
• 口音与方言包容度高：印度AI公司BolnaAI测试显示，印地语、泰米尔语等口音词错误率（WER）比其他模型低12.5%。

3. GPT-Realtime-Whisper

• 流式实时转录：边说话边输出文字，低延迟speech-to-text。
• 定价：$0.017/分钟（约0.12元/分钟），适用于实时字幕、会议速记、客服通话等。

值得关注

• 对同传行业的冲击：传统人工同声传译英语语种一天费用1.2万-2.1万元，非英语语种1.8万元起，需2-3名译员轮换。而GPT-Realtime-Translate连续翻译8小时成本不到120元，价格差约66倍。基础、高频、标准化的翻译需求将被API大规模替代，人类译员的价值将向上迁移至文化语境、创意表达、法律精确性等机器短期难以替代的领域。
• 快速接入：用户可通过OpenAI Playground直接测试三款模型，无需写代码；开发者可使用官方Codex prompt模板集成至现有项目。
• 使用场景：Zillow等企业已将其应用于复杂语音交互与合规业务场景；个人开发者可搭建语音驱动的浏览器操控、文档生成等应用。