（来源：AI信息Gap）
GPT 语音模型，终于更新了。
刚刚，OpenAI 一口气发布了三个实时语音模型，全部通过 Realtime API 向开发者开放。
GPT-Realtime-2，第一个带 GPT-5 级别推理能力的语音模型。它在和你聊天的同时能调用工具、处理复杂请求，中途被打断也能继续对话。
GPT-Realtime-Translate，实时翻译模型。支持 70 多种语言，跟着说话者的语速同步翻译（这就是妥妥的「同声传译」啊）。
GPT-Realtime-Whisper，实时转写模型。你一边说，它一边转录成文字。
美国最大的房地产平台 Zillow 已经用上了 GPT-Realtime-2。在最难的对抗性测试中，通话成功率从 69% 飙升到了 95%。
GPT-Realtime-2 是这次的主角。
上一代 GPT-Realtime-1.5 接得住简单问题，但遇到需要调用工具、多步推理的复杂场景就容易掉链子。这次的升级版接入了 GPT-5 级别的推理能力，处理能力完全不在一个量级。
比如你对它说「帮我找一个预算 2000 的房子，避开主干道，周六安排看房」，它能一边和你聊天，一边并行调用搜索、筛选、日历三个工具。处理过程中还会主动说一句「我查一下你的日历」，不会突然沉默让你干等。
你说到一半改了主意，它能及时调整。遇到实在处理不了的请求，它会告诉你「我现在有点困难」，不会直接挂掉或者装没听见。
GPT-Realtime-2 的上下文窗口从 32K token 扩展到了 128K。开发者可以从五档推理强度中选择，从 minimal 到 xhigh，简单问题快速回复，复杂问题深度思考。
Big Bench Audio 语音模型的「智商」测试，GPT-Realtime-2（high）拿到 96.6%，上一代 81.4%。Audio MultiChallenge 指令跟随基准测试，GPT-Realtime-2（xhigh）48.5%，上一代 34.7%。两项都提升了十几个百分点。
Zillow 是第一批用上 GPT-Realtime-2 的公司之一。
Zillow AI 负责人 Josh Weisberg 给出了一组数据。在他们最难的对抗性测试中，经过提示词优化，通话成功率从 69% 提升到了 95%，涨了 26 个百分点。美国公平住房法规的合规性也更稳定，这对 Zillow 来说是硬指标。
这意味着，以前 10 个电话里有 3 个会掉链子，现在基本全能搞定。
在线旅游平台 Priceline 在用它做旅行语音助手。用户可以用语音搜航班、改酒店预订、查航班延误，整套旅行管理全靠对话就能完成。
德国电信在测试 GPT-Realtime-Translate，做跨语言客服。客户用母语说话，客服那边听到的是实时翻译。
Intercom、Glean、Genspark 也都在第一批测试名单里。
GPT-Realtime-Translate 的翻译不是「说完一整句再翻」，是跟着说话者的语速边听边翻译。支持 70 多种语言输入、13 种语言输出，包括中文。
印度 AI 语音公司 BolnaAI 联合创始人兼 CTO Prateek Sachan 说，在他们测试印地语、泰米尔语和泰卢固语的场景中，GPT-Realtime-Translate 的词错误率比他们测过的所有其他模型低 12.5%。
GPT-Realtime-Whisper 是流式转写模型。开会、直播、客服通话，你说话的同时文字就出来了。
划重点，当前这三个新语音模型都只支持 API 调用，ChatGPT 里的语音模式还没有更新。
模型变强了，价格也变高了。
GPT-Realtime-2 每百万音频输入 token 32 美元，缓存输入 0.4 美元，每百万音频输出 token 64 美元。
其他两个模型都是按照时长计费，还是相当有性价比的。
GPT-Realtime-Translate 每分钟 0.034 美元，折合人民币大约两毛钱。
GPT-Realtime-Whisper 每分钟 0.017 美元，大约一毛二。
之前的 Whisper 转写模型是每分钟 0.006 美元。新的流式版本贵了大约 3 倍，换来的是实时性。
对于 ChatGPT，OpenAI 官方还专门澄清了一下。
「We know you're eager for voice updates in ChatGPT. Stay tuned, we're cooking.」
我们知道你们等 ChatGPT 语音更新等得很着急。别急，我们正在做。
语音模型，也「能思考」了。
我是木易，Top2 + 美国 Top10 CS 硕，现在是 AI 产品经理。
