OpenAI 发布三款实时语音新模型，支持推理、翻译与转录

OpenAI 近日发布了三款全新的实时语音模型，官方表示这将"为开发者开启全新的语音应用类别"。三款语音智能模型各有侧重，分别面向不同应用场景。

三款新模型分别专注于推理、翻译和转录功能，以下是此次发布的具体内容：

GPT-Realtime-2（推理语音模型）

GPT-Realtime-2 属于 GPT-5 级别的实时语音模型，专为实时语音交互场景而设计。该模型能够在推理处理请求的同时保持对话流畅，支持工具调用、错误纠正与打断处理，并根据当前语境给出合适的回应。

翻译语音模型

新推出的翻译语音模型支持 70 种输入语言和 13 种输出语言，可满足多语言实时翻译场景的需求。

GPT-Realtime-Whisper（转录语音模型）

GPT-Realtime-Whisper 是一款专为低延迟语音转文字设计的流式转录模型。它能够在用户说话的同时实时转录音频内容，使实时字幕、会议记录等产品响应更迅速、体验更自然。

上述三款模型均已纳入 OpenAI 的 Realtime API，开发者可在 Playground 中直接测试体验。若已安装 Codex，还可通过提交提示词的方式，将 GPT-Realtime-2 集成至现有应用或快速创建新应用。

Q&A

Q1：GPT-Realtime-2 有什么特别的能力？

A：GPT-Realtime-2 是 OpenAI 发布的 GPT-5 级别实时语音推理模型，能够在实时语音对话过程中同步进行推理，支持工具调用、处理用户打断和纠错，并根据具体语境做出自然回应，适合需要高交互性的语音应用场景。

Q2：OpenAI 新推出的翻译语音模型支持哪些语言？

A：OpenAI 新发布的翻译语音模型支持 70 种输入语言和 13 种输出语言，可覆盖多种主流语言之间的实时语音翻译需求，适用于跨语言沟通、实时口译等场景。

Q3：GPT-Realtime-Whisper 适合哪些使用场景？

A：GPT-Realtime-Whisper 是一款低延迟的流式语音转文字模型，能够在用户说话时同步生成文字内容，非常适合实时字幕生成、会议记录、语音备忘等对响应速度要求较高的应用场景。