GPT-5级推理塞进语音模型！OpenAI同传翻译每分钟仅2毛5，人工同传该慌了

导语：OpenAI三款实时语音模型炸场，GPT-5级推理加持，同声传译每分钟仅2毛5，语音交互从此不仅能听能说，还能直接干活。

实时语音模型上新：能听、能译、还能边聊天边干活

OpenAI这次突然放大招，一口气发布了三款全新的实时语音模型——GPT-Realtime-2、GPT-Realtime-Translate和GPT-Realtime-Whisper。它们把端到端推理语音、同声传译、流式转写三件套打包进了同一套API，还带来了一个让同传行业颤抖的消息：实时同声传译，每分钟成本只要两毛五。

OpenAI员工Jason Liu对着麦克风说英语，GPT-Realtime-Translate直接实时把它翻译成了日语。整个过程流式进行，不需要等说话人说完一整句，翻译就开始跟随输出。不少开发者也已经玩出了新花样：有人用语音对话十分钟，生成了完整的产品需求文档；有人直接语音指挥AI操作浏览器，全程没有碰键盘。

三款模型各有绝活，语音交互直接升维

OpenAI这次放出的三款模型，定位非常清晰：

• GPT-Realtime-2：带着GPT-5级推理说人话、办人事，能并行调用工具，边说话边执行复杂任务；
• GPT-Realtime-Translate：支持70多种语言输入，13种语言输出，流式同声传译每分钟仅$0.034；
• GPT-Realtime-Whisper：负责边说话边出文字的低延迟转录，每分钟$0.017。

官方表示，语音正逐渐成为人们使用软件最自然的方式之一。这三款模型一起，把语音从简单的听话回话，推向了真正“能干活的交互界面”。现在，大模型真的能像人类一样，跟你边聊天边把活干了。

GPT-Realtime-2：不讲“回合制”，而是边想边说

GPT-Realtime-2是这次的重头戏。它是OpenAI首款搭载GPT-5级推理的语音模型，真正把推理能力塞进了端到端的语音交互里。

最直接的升级是上下文窗口：从32K直接拉到128K，翻了4倍。这意味着语音Agent可以支撑更长的对话，处理更复杂的任务流，不会聊着聊着就忘了前面说了什么。推理强度还可以5档调节：minimal、low、medium、high、xhigh，问个天气用low秒回，丢给它一个商业分析大题则可以用xhigh慢慢推演。

最体现GPT-5级推理的，是它开始学会“边说话边干活”。以前的语音助手，你说一句它回一句，脑子里一次只能想一件事。GPT-Realtime-2现在支持并行工具调用，可以一边嘴里说着“正在查您的日程表”，一边后台同时调用地图、日历、租房软件。官方demo中，负责人Romain Huet对着手机上的个人助手说一句“我马上有个客户会议，能帮我看一下日程吗？”模型立刻查看日历，回复说12分钟后有一个跟某公司CTO的会议，接着更新CRM，把今天的会议摘要和后续步骤录入系统。

它还学会了Preambles，也就是前置语。后台在拉数据的时候，会先对你说“让我核实一下”或者“稍等片刻”。这个看似废话的设计，最大程度缓解了等待时的焦虑。语气也是可控的，平静、共情、兴奋，按需切换。

性能方面，Big Bench Audio测评中GPT-Realtime-2（high档）拿了96.6%，上代是81.4%，提升15.2个百分点；Audio MultiChallenge测多轮对话指令跟随，xhigh档跑出48.5%，上代只有34.7%，又涨了13.8个百分点。

定价上，GPT-Realtime-2按token计费，$32/1M音频输入token，$64/1M音频输出token，缓存输入仅$0.40。与上一代价格持平，但能力大幅跃升。在企业实测中，Zillow拿最难的对抗性基准跑了一遍，通话成功率从69%直接跳到95%，提升了26个百分点。Zillow高管表示，GPT-Realtime-2在复杂语音交互中的智能和工具调用可靠性最突出，合规性也显著增强。这意味着语音Agent不再只是接接电话，而是真的能处理高价值、高合规要求的业务场景了。

同声传译砍穿地板价：每分钟2毛5，一小时不到15块

GPT-Realtime-Translate直接把同声传译干到了白菜价。支持70多种语言输入，13种语言输出。它不是一句一句翻译的回合制，而是说话人边说母语，系统边实时输出翻译，几乎没有停顿。

定价$0.034/分钟，折合人民币约2毛5。连续翻译一小时不到15块，比一杯奶茶还便宜。对口音和方言包容度也很高。印度AI公司BolnaAI拿印地语、泰米尔语、泰卢固语这些口音浓重的语言去测，词错误率比其他模型低12.5%，延迟能维持自然对话。

冲击最大的无疑是传统同声传译行业。人工同传，英语语种一天收费1.2万到2.1万元；非英语语种如日语、韩语、阿拉伯语，1.8万元起，通常需要2到3名译员轮换，折算下来每小时数千至上万元，还不算设备租赁。而GPT-Realtime-Translate连续翻译8小时，总成本不到120块，不到人工同传两分钟的价钱，差距大约66倍。

不过，AI同传和人工同传目前还不是完全替代关系。更准确地说，OpenAI做的是“让同传这件事不再是特权”。过去只有大型企业、政府机构、高端会议才用得起的服务，现在任何开发者都可以把它接进自己的产品。一个出海电商客服系统，一个跨国视频会议工具，一个在线教育平台，甚至一个个人Chrome插件，都能拥有实时多语言翻译能力。可以想见，人类同传的价值会向上迁移：文化语境、创意表达、法律精确性、医疗专业性这些机器短期内还替代不了，但基础的、高频的、标准化的翻译需求，会被API大规模吞掉。

GPT-Realtime-Whisper：实时转写，开会神器

第三款模型GPT-Realtime-Whisper专注流式实时转录，边说话边出文字，低延迟speech-to-text。定价$0.017/分钟，折合人民币约1毛钱，一小时连续转写不到6块钱。应用场景主要在实时字幕、会议速记、客服通话记录、课堂笔记。以后开会，领导刚说完前半句，屏幕上的文字已经跟上了。

极速接入：浏览器里就能试，还能一键集成

想要体验三款新模型，最快的方式是打开OpenAI Playground（platform.openai.com/login?next=%2Faudio%2Frealtime），浏览器里直接测试，不需要写代码。如果想把模型接入自己的项目，官方提供了Codex prompt模板，可以一键将GPT-Realtime-2接进现有App或新建项目。成本方面，Whisper最便宜，一小时连续转写约1美元；Translate中等，一小时约2美元；GPT-Realtime-2按token计费，实际成本取决于对话量和推理强度，和上一代价格持平。

这次更新不仅让语音交互迈入了“干活”时代，更把实时翻译从高端服务变成了像水和电一样的基础设施。开发者的想象力，或许才是真正的天花板。