OpenAI今日发布三款全新的实时语音模型，旨在为开发者“解锁新一代语音应用形态”。这三款语音智能模型分别侧重推理对话、实时翻译和实时转录等不同场景需求。
根据OpenAI公布的信息，新系列包括GPT‑Realtime‑2、GPT‑Realtime‑Translate和GPT‑Realtime‑Whisper三个模型。其中，GPT‑Realtime‑2被定位为首款具备GPT‑5级推理能力的语音模型，能够更好地处理复杂请求，并以更自然的方式持续推进对话。官方介绍称，该模型专为实时语音交互打造，在用户提问或发出指令时，一边进行推理、一边保持对话连贯，同时还能调用工具、处理用户打断和更正，并根据当下情境作出更贴切的回应。
第二款模型GPT‑Realtime‑Translate主打实时翻译能力，可支持“70多种输入语言和13种输出语言”，并在翻译过程中尽量跟上说话者的语速。这一特性意味着，跨语言通话、会议或直播等场景，有望通过该模型获得更接近“同声传译”的体验。
第三款GPT‑Realtime‑Whisper则是一款实时流式语音转写模型，聚焦低延迟语音转文本能力。OpenAI表示，该模型可以在说话者讲话的同时即时完成转录，使得各类实时产品显得更快速、更灵敏、更自然。从直播字幕“边说边出”，到能跟上讨论节奏的会议记录，这类应用场景都被视为GPT‑Realtime‑Whisper的主要发力方向。
在接入方式与价格方面，OpenAI称三款新语音模型均已纳入其RealtimeAPI体系。GPT‑Realtime‑2的定价为每100万音频输入Token收费32美元（缓存输入Token为0.40美元），每100万音频输出Token收费64美元。GPT‑Realtime‑Translate的价格为每分钟0.034美元，而GPT‑Realtime‑Whisper的价格为每分钟0.017美元。
OpenAI表示，开发者可以通过Playground直接测试这些新的实时语音模型。若已安装Codex，只需在指定提示上点击提交，即可将GPT‑Realtime‑2添加到现有应用，或基于该模型快速创建一款新应用。官方也在其网站上进一步介绍了这三款语音模型的技术细节，以及部分合作企业已经如何在实际产品中加以利用。
在生成式AI持续向多模态与实时交互演进的背景下，OpenAI此次发布的三款语音模型，被视为其在“语音智能”方向上的又一重要布局。随着推理、翻译与转录能力的统一整合，开发者将能够更轻松地为用户提供“开口就能用”的语音AI体验，从助手工具到生产力应用，再到内容创作与无障碍服务，都有望迎来新一轮探索与创新。
相关文章
头条焦点
精彩导读
关注我们
【查看完整讨论话题】 | 【用户登录】 | 【用户注册】