AI有嘴了，OpenAI连发三语音模型

昨天凌晨，OpenAI发布了三款音频模型：GPT-Realtime-2、GPT-Realtime-Translate和GPT-Realtime-Whisper。

OpenAI官网的表述是，新模型可以让开发者构建能在用户说话时“推理、翻译和转写”的实时语音产品。三款模型已经开放给开发者测试。

这次更新的重点在于三款模型不同场景分工。

GPT-Realtime-2面向实时语音Agent场景，它是OpenAI首个具备“GPT-5级推理”的语音模型，可以处理复杂请求，调用工具，处理中途打断，并在更长语音会话中维持上下文。

GPT-Realtime-Translate面向实时语音翻译场景，支持70多种输入语言到13种输出语言。

GPT-Realtime-Whisper面向实时语音转写，可以在人说话时生成文本，用于字幕、会议记录和工作流更新。

价格也同步公布。GPT-Realtime-2按token计费，音频输入起价为32美元/百万token，音频输出为64美元/百万token；GPT-Realtime-Translate按分钟计费，价格为0.034美元/分钟；GPT-Realtime-Whisper同样按分钟计费，价格为0.017美元/分钟。

相关报道显示，一些企业用户包括Zillow、Priceline和德国电信在内的知名厂商已经在测试这些模型。

这是OpenAI过去一年语音路线的一次延伸。

2024年，OpenAI先把ChatGPT高级语音模式背后的低延迟语音能力开放给开发者；2025年8月，OpenAI推出首个正式版Gpt-Realtime，开始面向生产级语音Agent。

今年2月，Gpt-Realtime-1.5成为上一代主力模型，用于语音Agent和客服场景。再到今天的2.0版本的三大模型矩阵，这更像Realtime产品线从体验功能走向企业API的一次版本升级。

从对话走向执行

先来看GPT-Realtime-2，按照OpenAI官方的说法，这是第一款具备“GPT-5级推理”的语音模型。这个模型被设计用于处理复杂请求、调用工具、处理中断，并在更长的语音会话里保持上下文。

这些能力对应的是语音Agent落地时最常见的问题。

GPT-Realtime-2把上下文窗口从32K提升到128K。这个参数对长会话场景有直接意义。比如一个用户想要针对某套房产做咨询、或者想要改签机票，这些场景都可能包含大量条件和多轮确认。

上下文窗口扩大后，模型可以在更长的实时对话里保留前面出现过的限制、偏好和业务信息。

工具调用也是这次更新里的关键词。RealtimeAPI可以用于构建会调用工具的语音体验。应用可以保持实时会话连接，连续发送音频，接收模型事件，更新会话状态，并把外部系统返回的结果再交给模型继续回应。

美国房地产信息查询网站Zillow，成为了OpenAI官方的首批企业案例。

OpenAI在官网中提到，Zillow正在用GPT-Realtime-2构建可以理解住房条件并安排看房的语音助手。Zillow方面表示，在最困难的对抗性测试中，经过prompt优化后，电话任务成功率从69%提升到95%，FairHousing相关合规表现也更稳定。

Fair Housing指美国住房交易中的反歧视合规要求，房产平台不能在买卖、租赁、贷款或经纪服务中，基于种族、宗教、性别、残障、家庭状况、国籍等因素区别对待用户。

从“能说”到“会说”，这可能是GPT-Realtime-2给予行业的最大震撼。

Booking子公司、知名旅行优惠平台Priceline，则代表另一类语音模型的落地场景。

据了解，Priceline也在测试GPT-Realtime-2系列。旅游预订的链条很长，用户可能要查航班、订酒店、调整日期、处理延误、比较价格，还可能在境外需要翻译。语音Agent如果能稳定接入后台系统，就有机会把“问答”推进到“办事”。

OpenAI提到的另一个已知客户是德国电信。电信行业有大规模坐席、复杂套餐、故障处理、多语言服务和账单解释，也是语音模型落地的天然场景。

GPT-Realtime-2还有一个细节是可调推理强度。

OpenAI开发者文档提到，GPT-Realtime-2把推理能力带入语音到语音工作流。多数生产场景可以先使用较低的推理强度，优先保证通话里的响应速度；遇到更复杂的客服、预订、排障任务，再提高推理强度，用更多计算换取更完整的判断。

这个细节很重要。语音交互比文字聊天更怕停顿。用户在电话里等待一两秒，会明显感到卡顿。推理越强，延迟压力越大。在性能和响应的平衡上，不同的开发者在这个问题上会有一定取舍。。

官方也给出了一些测试数据。OpenAI称，GPT-Realtime-2在Big Bench Audio上比GPT-Realtime-1.5高15.2%，在Audio MultiChallenge上高13.8%。这两个指标用于衡量模型在音频输入、多轮语音、复杂指令和上下文整合方面的能力。

第二款模型是GPT-Realtime-Translate。

按OpenAI面向开发者的示例说明，GPT-Realtime-Translate主打实时语音到语音翻译，适合广播、直播、电话和视频对话。它会自动识别输入语言，并输出翻译后的语音和文本。开发者只需要设定目标语言。

这个模型支持70多种输入语言到13种输出语言。OpenAI称，它可以在说话人讲话时跟上节奏。开发者文档还提到，传统语音翻译常常要求说话人停顿，系统等一句话结束后再翻译；而GPT-Realtime-Translate更接近连续口译的形态。

OpenAI把它的场景分成两类。

一类是广播式翻译，比如直播、网络研讨会、讲座、财报电话会和大型会议演讲。另一类是对话式翻译，比如呼叫中心、视频通话和电话工作流。这两个类别基本覆盖了企业最愿意付费的跨语言场景：客服、教育、国际会议、内容平台、跨境销售和企业培训。

第三款模型是GPT-Realtime-Whisper。

GPT-Realtime-Whisper强调实时流式转写。它可以在说话人讲话时生成字幕、会议记录和工作流更新。相比起前两个模型，Whisper的商业门槛最低。它的价格仅为0.017美元/分钟。

三款模型放在一起看，OpenAI已经把实时音频拆成了三个明确入口：GPT-Realtime-2处理语音Agent，GPT-Realtime-Translate处理跨语言沟通，GPT-Realtime-Whisper处理实时文本化。

三者的价格、延迟要求和客户场景都不同，奥特曼想要在差异化路线上“通吃”语音AI市场。

TTS市场卷完“声音质量”卷“实时”

这次发布还有一个很清楚的商业信号：OpenAI正在把语音AI能力，全面推向API市场和企业工作流。

除了OpenAI官方提到的Zillow、Priceline和德国电信三大测试客户，更多公司也在把这批语音模型接进自己的产品。

比如视频平台Vimeo、企业知识管理工具Glean、客服软件公司Intercom，以及面向企业语音Agent的BolnaAI，都出现在目前披露的相关案例中。

换句话说，GPT-Realtime系列已经成为了OpenAI的一个成熟的商业化版图，客户覆盖内容平台、企业办公、客服系统和语音Agent创业公司等多类开发者。

OpenAI展示的是一组真实业务中的场景：AI在通话中理解需求、调用系统、翻译语言，并把语音交互接进企业后台。

而这一切，正好发生在语音AI市场继续升温的周期里。

过去两年，语音AI赛道最受关注的公司之一是ElevenLabs。这家公司2022年成立，最早靠高度拟真的AI配音、声音克隆、多语言配音和内容本地化出圈，后来又把产品往企业语音Agent延伸。今年2月，ElevenLabs宣布完成5亿美元D轮融资，估值达到110亿美元。

这一估值较2025年1月的33亿美元大幅上升。公司称，这笔资金将用于全球扩张，并继续投入情感化对话模型、配音、转写和AI语音Agent等方向。

更近的动态是，ElevenLabs在近期披露，公司年化经常性收入已经超过5亿美元，并公布了更多参与D轮融资的新投资方。

其中既包括贝莱德、惠灵顿管理等大型机构，也包括英伟达、赛富时创投、德国电信等产业方。甚至演员Jamie Foxx、Eva Longoria以及《鱿鱼游戏》创作者黄东赫等个人投资者，也出现在这轮投资名单中。

面对着日益增长的需求，语音AI已经不只是创作者的配音工具。影视、广告、游戏、教育、企业培训、无障碍服务、内容出海和电话Agent，都在消耗更自然、更便宜、更可控的机器声音。

Deepgram代表另一种路线。

这家公司长期做语音识别基础设施，客户更多来自联络中心、会议、销售、医疗、金融等高频语音场景。近年，Deepgram开始补上文本转语音和语音Agent接口，试图打通语音模型的办事场景。

Deepgram披露的信息显示，旗下Aura-2文本转语音面向实时语音应用，流式延迟低于200毫秒，并支持对地址、电话号码、字母数字组合等结构化内容做更自然的朗读。

它还把语音识别、语音合成、实时情绪分析、话题检测和摘要能力，放进联络中心等企业场景。

Cartesia则主打低延迟和实时交互。

这家公司由前斯坦福AI实验室成员创办，技术标签是状态空间模型，主打更快、更低成本的实时多模态模型。

它的语音产品Sonic系列，核心卖点是低延迟文本转语音。Cartesia的Sonic 3文档称，它是一个流式文本转语音模型，强调高自然度、准确跟随文本和低延迟；Sonic 3支持42种语言，也支持音量、语速和情绪控制。

在Cartesia官网上，可以看到这家公司把90毫秒低延迟作为实时对话体验的卖点。

这些公司共同推动了TTS市场的变化。

早期TTS竞争主要看声音像不像真人。之后，行业开始比多语言覆盖、声音克隆、情绪表达、版权授权和配音效率。

现在，语音Agent把要求抬高了。企业不只要一个好听的声音，还要完整链路：语音识别要准，首字延迟要低，大模型要能理解上下文，工具调用要稳定，语音合成要自然，翻译要连续，转写还要能进入后续工作流。

一些行业材料也反映了这个趋势。Deepgram在TTS对比文章中提到，面向语音Agent的文本转语音，已经把“首段语音生成低于100毫秒”视为新的基线之一。

在行业内都在竞相卷“实时”的背景下，OpenAI最大的优势来自模型栈。

OpenAI可以把整个企业调用TTS的链路，放到同一个开发者平台里。对开发者来说，少接几个供应商，就少一些延迟、集成和运维成本。对企业来说，统一平台也更容易做权限管理、日志留存、数据策略和安全审查。

不过，OpenAI想要通吃企业语音市场，也没那么容易。

ElevenLabs已跑到110亿美元估值、超过5亿美元年化收入；Deepgram今年1月完成1.3亿美元融资，估值13亿美元，服务1300多家客户；Cartesia也在2025年完成6400万美元A轮融资，Sonic模型据称已有1万多客户使用，并以90毫秒模型延迟、42种语言主打实时语音。

OpenAI有模型栈优势，但语音市场并不缺少强势玩家。

奥特曼对这次发布的公开表态很短。他在X上称，GPT-Realtime-2进入API是“相当大的一步前进”，同时OpenAI还在继续改进ChatGPT里的语音体验。

只是从各大企业用户争相测试的情况来看，OpenAI的新一代语音模型，足以让人期待他在接下来这一年的市场表现。