OpenAI 一次推出三個語音模型：GPT-Realtime-2 有 GPT-5 級推理，即時翻譯每分鐘 0.034 美元

一句話看懂：OpenAI 在 API 一次推出三個語音模型，其中 GPT-Realtime-2 號稱第一個有 GPT-5 級推理的語音模型，另外還有即時翻譯與即時轉錄。

先用白話講：即時語音模型在做什麼？

以前的語音助理像「對講機」：你講完、它想一下、它再回答。即時語音模型則比較像「電話裡的真人」：你還在說，它就在聽、在想，必要時還能一邊跟你聊一邊去查資料。

這次 OpenAI 把這件事拆成三個模型：會想的、會翻的、會寫字的。

發生什麼事

OpenAI 在 5 月 7 日於 Realtime API 推出：

• GPT-Realtime-2：官方說是第一個有 GPT-5 級推理的語音模型，能處理較難的請求並自然地接續對話
• GPT-Realtime-Translate：即時翻譯，可從 70 多種輸入語言翻成 13 種輸出語言，且跟得上說話速度
• GPT-Realtime-Whisper：串流語音轉文字，邊說邊轉

GPT-Realtime-2 多了什麼

官方自測：Realtime-2（high）在 Big Bench Audio 比 GPT-Realtime-1.5 高 15.2%；Realtime-2（xhigh）在 Audio MultiChallenge 的指令遵循項目高 13.8%。

價格

• GPT-Realtime-2：音訊輸入每百萬 token 32 美元（快取輸入 0.40 美元），音訊輸出 64 美元
• GPT-Realtime-Translate：每分鐘 0.034 美元
• GPT-Realtime-Whisper：每分鐘 0.017 美元

給開發者的技術細節

• 三個模型都在 Realtime API，可在 Playground 測試
• 推理強度預設 low，是為了讓一般對話保持低延遲；需要較複雜的推理時再調高，延遲與成本也會跟著變，這是我的推論，官方只說預設與用途
• 若是把 Translate 用在客服，每分鐘 0.034 美元以一小時 60 分鐘自行換算約 2.04 美元，不含其他模型的費用
• 官方提到客戶如 Zillow、Deutsche Telekom 正在建構相關應用，屬於「正在開發」，不是已上線的成果

我的看法

語音介面對一般使用者最直覺，尤其是長輩或不愛打字的人。對接案者來說，語音客服、語音點餐一直是客戶會問的題目，現在能一次拿到「理解、翻譯、轉錄」三塊積木，評估門檻變低。

但官方的比較數字都是自家基準，而且是跟自己的上一代比，不代表你的場景（台灣口音、混雜英文、背景噪音）一樣好。要不要採用，我會先用自己的錄音檔實測，並把每分鐘成本算進報價，再決定。

名詞小辭典

• Realtime API：OpenAI 提供的即時互動介面，可以邊說邊處理。
• 上下文視窗：模型一次能記住並處理的內容長度，128K 約等於非常長的對話紀錄。
• 推理強度：讓模型花多少力氣「思考」的設定，越高通常越準，也越慢。
• 串流轉錄：不等整段講完，邊講邊把語音轉成文字。

資料來源

• OpenAI：Advancing voice intelligence with new models in the API（2026-05-07）