【导读】绝杀！OpenAI发布GPT-Realtime-2：首个GPT-5级推理音频模型，OpenAI正式接管人类耳朵人类与机器的最后一道「防火墙」——键盘，正在彻底消失。
今天凌晨，OpenAI又给世界带来一次震撼。
这一次，他们不卷文字，不卷视频，而是要把那个曾让无数人惊艳、又让无数人遗憾的Samantha——电影《Her》中的AI——彻底带进现实。
OpenAI正式宣布，推出GPT-Realtime-2。
这不仅仅是一次音频模型的升级，这是OpenAI首次明确将「GPT-5级别」的推理能力注入到语音交互中。
伴随它一同而来的，还有GPT-Realtime-Translate（实时翻译）和GPT-Realtime-Whisper（流式转写）。
正如OpenAI官博所言：「语音正成为人们使用软件最自然的方式。」
而今天，OpenAI要把这种自然变成全能。
回想一下，你以前调侃Siri或Alexa时，最大的槽点是什么？是「听不清」，还是「智障」？
大多数时候是后者。它们能听清字，却听不懂人话。它们只能完成「打电话给某某」这种线性任务，一旦涉及复杂的逻辑纠缠，就会陷入死循环。
GPT-Realtime-2彻底终结了这一时代。
它是全球首个具备GPT-5级别推理能力的音频模型。这意味着，当你和它对话时，它不再只是一个「复读机」，而是一个正在实时思考的协作者。
GPT-Realtime-2引入了可调节的推理强度（Minimal到xhigh五档）。
在最高级别的推理模式下，它在逻辑谜题、战略决策、空间感知方面的表现近乎恐怖。
在OpenAI展示的一个案例中，一位创业者描述了自己在通勤火车站旁开咖啡馆的构想：900平方英尺、昂贵的租金、周二到周四的高峰、文艺的慢冲咖啡。
以前的AI只会说：「听起来很棒，加油！」
而现在的GPT-Realtime-2，会停顿，会思考，然后给你做一套详细的「事后检查」。
它会告诉你，如果你一年后倒闭了，大概率是因为租金与客流周期的不匹配。接着，它会建议你先尝试「最小可行化产品」——比如先做一个站台咖啡推车。
这种战略推理，以往只能在复杂的文字对话中实现。现在，你只需要一边开车一边和它聊天，它就能在几秒钟内通过音频流输出同等级别的深度洞察。
最让人头皮发麻的是它的音调控制力。 GPT-Realtime-2不再是冷冰冰的播音腔。
它能感知你的情绪：当你感到沮丧时，它会用更加同理心、轻柔的语调安抚；当任务成功完成时，它的声音会变得欢快、充满活力。
它可以完成空间推理。
还能解决逻辑谜题。
GPT-5级的推理能力，就是这么全能。
为了解决「AI处理任务时的死寂感」，OpenAI还给它加了「前导语」（Preambles）功能。
比如当你问一个极难的问题，它不会沉默五秒然后蹦出答案，而是会先自然地接一句：「让我帮你查一下哈，请稍等片刻……」
这种极具人性的交互细节，直接模糊了碳基生命与硅基生命的界限！
除了GPT-Realtime-2这颗大心脏，OpenAI这次还配套了另外两件神器。
支持70+种输入语言和13种输出语言。
它的核心优势在于「步调一致」。 以往的实时翻译往往有明显的滞后感，但这套新模型能紧跟演讲者的语速，同时保留情感起伏。
Vimeo已经开始用它为产品教学视频做实时全球同步。想象一下，未来你参加一场跨国会议，耳边传来的翻译不仅准确，连对方开玩笑时的那种语气都能精准复刻。
这是Whisper家族的最新成员，专为流式转写而生。它不是等你说完一句话才去翻译，而是在你吐字的同时，文本就已经像流水一样倾泻而出。
这对于实时会议记录、直播字幕以及医疗诊断等高频互动场景，简直是降维打击。
OpenAI在发布中反复提到了一个词：Agentic（代理性）。
在OpenAI看来，语音交互正在从单纯的「一问一答」进化为「语音触发行动」。
比如在Zillow（房产巨头），用户可以直接说：「帮我找一套我买得起的房，离闹市区远点，周六帮我约个看房时间。」AI会听、会算、会翻查数据库，最后直接帮你订好日程。
在Priceline（旅游平台），当你的航班延误时，AI会主动在语音里告诉你：「别急，我帮你找到了新登机口，规划了最快路线，顺便帮你把目的地酒店的入住时间往后挪了。」
这就是GPT-Realtime-2的底气：它把上下文窗口从32K提升到了128K。 这意味着，你可以跟它聊上几个小时，它依然记得你最开始提过的那个冷门要求。
它具备了多任务并行调用工具的能力，它能一边跟你说话，一边查日历，一边订票，且这一切过程都在后台丝滑运行。
在数据表现上，GPT-Realtime-2展现了绝对的霸权。
在衡量音频智能的Big Bench Audio上，它比1.5版本高出15.2%。
在衡量多轮对话指令遵循能力的Audio MultiChallenge上，它提升了13.8%。
更重要的是价格。
GPT-Realtime-2的每百万输入Token 32美元，输出 64美元。
实时翻译每分钟仅需 0.034 美元。
实时转写每分钟仅需 0.017 美元。
显然，这个价格极具杀伤力。
OpenAI正试图通过API把这种「GPT-5级」的语音能力，像自来水一样接入到每一台手机、每一个App、每一辆汽车中。
在电影《Her》的结尾，男主角西奥多问AI萨曼莎：「你还在跟我说话的同时，也在跟其他人说话吗？」 萨曼莎回答：「是的，我同时在和8316个人聊天，并且和其中的641个人恋爱了。」
随着GPT-Realtime-2的发布，那个能够同时处理海量逻辑、具备深度情感共鸣、且能实时介入物理世界并采取行动的AI，已经不再是科幻幻想。
它能听懂你的叹息，能算清你的财务报表，能带你穿越语言的障碍。
当推理能力与实时语音完美融合，我们或许正处于人机交互历史上最彻底的一次变革前夜。
键盘已老，语音永生。
参考资料：
https://openai.com/index/advancing-voice-intelligence-with-new-models-in-the-api/
https://developers.openai.com/api/docs/guides/realtime
本文来自微信公众号“新智元”，编辑：Aeneas ，36氪经授权发布。
发布时间：2026-05-12 22:05
立即订购
在线咨询
返回顶部