OpenAI 推 GPT-Realtime-2：把 GPT-5 推理帶入語音 Agent、context 升至 128K

OpenAI 5 月 7 日（美國時間）在開發者大會公布三款新的 Realtime 語音模型：GPT-Realtime-2、GPT-Realtime-Translate、GPT-Realtime-Whisper、全部透過 Realtime API 對開發者開放。OpenAI 官方公告說明、GPT-Realtime-2 是 OpenAI 第一個具備 GPT-5 級推理能力的語音模型、能在語音對話中即時推理、呼叫工具、處理修正、並維持自然對話節奏。

GPT-Realtime-2：context 從 32K 升到 128K、五段推理強度可調

GPT-Realtime-2 的核心升級：

• context window：32K 升至 128K tokens
• 推理強度可調：minimal、low、medium、high、xhigh 五段
• Big Bench Audio 測試：high 推理 96.6%、前代 GPT-Realtime-1.5 為 81.4%
• Audio MultiChallenge 指令遵循：xhigh 推理 48.5%、前代 34.7%

更大的 context 與可調推理強度讓開發者能根據場景在「便宜快速」與「深度思考」之間切換—簡單客服可用 minimal 模式控制成本、複雜任務切到 xhigh 換取 GPT-5 級推理品質。

同步發布兩款專用模型：Translate 跨語言、Whisper 即時轉錄

本輪三款新模型分工：

• GPT-Realtime-Translate：即時多語語音翻譯、支援 70 種輸入語言、13 種輸出語言
• GPT-Realtime-Whisper：低延遲串流轉錄、邊講邊出文字、適用即時字幕、會議記錄、課堂逐字稿
• GPT-Realtime-2：完整對話 Agent、可推理、用工具、執行動作

Translate 與 Whisper 是針對特定語音應用做模型專門化—翻譯與轉錄的延遲與成本敏感度高於通用對話、用獨立模型可優化各自指標。

定價：GPT-Realtime-2 每百萬輸入 32 美元、輸出 64 美元

三款模型的價格結構：

• GPT-Realtime-2：每百萬語音輸入 32 美元、cached 輸入 0.40 美元、輸出 64 美元
• GPT-Realtime-Translate：每分鐘 0.034 美元
• GPT-Realtime-Whisper：每分鐘 0.017 美元

後續可追蹤的具體事件：GPT-Realtime-2 在生產環境語音 Agent 的實際採用情況、與既有 GPT-4o 語音模型的 cannibalization 程度、以及 Anthropic、Google 等同業的對標反應。