觀點 · 資訊分享

OpenAI 推出 GPT-Realtime-2.1 與 mini 版：語音 AI 更聽得懂英數字與雜音，mini 輸入價 0.6 美元

OpenAI 在 7 月 6 日的 API 更新日誌釋出 GPT-Realtime-2.1 與更快、更便宜的 mini 版：改善英數字辨識、靜音與雜音處理、被打斷時的反應，適合做語音客服與語音助理。

一句話看懂：OpenAI 在 7 月 6 日釋出 GPT-Realtime-2.1 與便宜的 mini 版，讓語音 AI 更不容易聽錯英數字、更能處理雜音與被打斷。

OpenAI 即時語音模型 2.1 登場資訊圖卡：更聽得懂英數字與雜音的語音 AI，還有便宜的 mini 版

先用白話講：即時語音模型是什麼？

想像你打電話到客服訂位，對方請你報訂位編號「A-7-B-3-9」。人類客服會一邊聽、一邊確認、遇到雜音會請你再說一次，你中途插話他也會停下來聽。

GPT-Realtime 就是讓 AI 做這件事：直接聽你的聲音、直接用聲音回答，不用先把語音轉成文字、再轉回語音，所以反應比較快，也比較自然。這類模型最容易出錯的地方，就是英文字母與數字（編號、車牌、電話）、背景雜音，還有被人打斷的時候。

OpenAI 在 2026 年 7 月 6 日的 API 更新日誌釋出兩款模型：

GPT-Realtime-2.1：GPT-Realtime-2 的更新版，改善英數字辨識、靜音與雜音處理、被打斷時的反應。支援語音對語音、可調整的推理力度、遵循指示與工具呼叫，適合複雜的語音代理流程
GPT-Realtime-2.1 mini：更快、成本更低的蒸餾版推理模型，支援音訊與文字輸入，可透過 WebRTC、WebSocket 或 SIP 連線，英數字辨識同樣比 GPT-Realtime-2 進步

以下是官方模型頁在整理時的價格（每百萬 token，日後可能調整）：

mini 的文字輸入價約為標準版的 15%，為自行換算（0.6 ÷ 4）。

兩款模型的上下文長度都是 128,000，最大輸出 32,000 token，知識截止日標示為 2024 年 9 月 30 日
官方模型頁列出支援即時 API（v1/realtime）、即時翻譯、即時轉錄等端點；函式呼叫（Function calling）有支援，結構化輸出與微調則沒有
模型名稱（可直接指定）：gpt-realtime-2.1、gpt-realtime-2.1-mini
模型頁列出的速率限制（整理時）：免費層不支援；Build 層每分鐘 400 次請求、20 萬 TPM；Launch 層 1 萬 RPM、400 萬 TPM；Grow 層 2 萬 RPM、1,500 萬 TPM

語音代理要真正上線，最大的障礙往往不是「會不會講話」，而是「聽錯一個字，整個流程就歪掉」。客戶在電話裡報訂單編號、信箱、手機號碼，聽錯一碼就得重來，所以官方這次特別強調英數字辨識，方向是對的。不過這是官方的說法，實際效果還是要用自己的場景測試，尤其中文口音與台灣常見的雜音環境。

如果我要評估做成產品，會先用 mini 搭配真實錄音做小規模測試，量化「聽錯率」和每通通話的成本，再決定是否升級到標準版。接 LINE 或電話串接的案子，通話量一大，單價差異就會直接反映在報價裡，這是一定要先算清楚的部分。

GPT-Realtime 是什麼？

OpenAI 的即時語音模型，可以直接「聽語音、說語音」（speech-to-speech），不需要先轉成文字再轉回語音，延遲更低，適合做語音客服、語音助理這類需要即時對話的應用。

2.1 版改善了什麼？

依官方說明，主要有三點：英數字辨識（例如訂單編號、車牌、電話）、靜音與雜音的處理，以及使用者中途打斷時的反應。同時支援可調整的推理力度、遵循指示與工具呼叫。

標準版和 mini 版怎麼選？

mini 版文字輸入價是標準版的約 15%（自行換算：0.6 ÷ 4），音訊輸入價也便宜許多，速度較快；標準版推理能力較強、價格較高。需要大量通話的場景，建議先用 mini 做小規模測試，再決定是否升級。

作者

接案做系統開發、網站與主機託管。觀點裡的文章都是我自己寫的,寫的是做專案時第一手遇到的事。