OpenAI 正在将语音 AI 从简单问答推向真正能执行任务的智能体。
三款新模型
- GPT-Realtime-2：首个具备 GPT-5 级推理的语音模型，支持并行工具调用、工具透明度（调用时播报"正在查看日历"等）、更强的错误恢复行为、128K 上下文窗口、可调推理级别（minimal → xhigh）
- GPT-Realtime-Translate：70+ 输入语言到 13 种输出语言的实时翻译，保持与说话者同步
- GPT-Realtime-Whisper：流式语音转文字，说话时实时转录
性能提升
- GPT-Realtime-2 (high) 在 Big Bench Audio 上比 GPT-Realtime-1.5 提升 15.2%
- GPT-Realtime-2 (xhigh) 在 Audio MultiChallenge 上提升 13.8%
- Zillow 在最困难的对抗性基准上实现 26 个百分点的呼叫成功率提升（95% vs 69%）
三大语音 AI 模式
- Voice-to-action：描述需求 → 系统推理 → 完成任务（Zillow 找房助手）
- Systems-to-voice：软件主动提供语音指导（旅行应用主动告知航班变更）
- Voice-to-voice：AI 帮助跨语言实时对话（Deutsche Telekom 多语言客服）
来源： OpenAI Blog
链接： https://openai.com/index/advancing-voice-intelligence-with-new-models-in-the-api/