OpenAI开放三大实时音频模型：告别纯文本，AI智能体进入“实时听与做”时代

2026年5月8日消息，美国当地时间周四，OpenAI正式向开发者推出三款全新音频大模型，以增强语音智能体交互的自然度及实时任务执行能力。

这三款模型分别是GPT-Realtime-2、GPT-Realtime-Translate以及GPT-Realtime-Whisper，目前均已在开发者测试平台上线。其中，GPT-Realtime-2专注于处理复杂任务，支持外部工具调用并保持语境连贯；GPT-Realtime-Translate可支持70余种源语言转换为13种目标语言；GPT-Realtime-Whisper则聚焦实时语音识别，能同步生成字幕并触发工作流更新。

Zillow、Priceline、德国电信等企业已开始对这些模型进行早期测试。定价上，GPT-Realtime-2的音频输入费用为每百万Token32美元起，GPT-Realtime-Translate每分钟0.034美元，GPT-Realtime-Whisper每分钟0.017美元。