OpenAI 的新 GPT 實時語音 API 用於商業自動化

來源：OpenAI來源：OpenAI來源：OpenAI**OpenAIOpenAI正式推出了GPT-Realtime和升級版的實時應用程式接口，提供一個強大的一體化語音對語音模型，旨在改變業務應用中的語音互動。** 此次更新標志着全面可用的轉變，降低了對單獨的語音轉文本和文本轉語音鏈的需求，並引入了圖像輸入、SIP電話呼叫和訪問外部工具等功能。新的產品經過優化，適用於現實世界的使用，提高了響應的自然性，同時簡化了客戶支持、助手和教育平台的集成。

OpenAI正式推出了GPT-Realtime和改版的Realtime API，提供了一種強大的全能語音轉語音模型，旨在改變商業應用中的語音互動。OpenAIGPT-Realtime功能

Realtime API已正式推出，不再是測試版，現已準備好供您的生產語音代理使用！

我們還推出了 gpt-realtime——我們迄今爲止最先進的語音對語音模型——以及新的語音和應用程式接口功能:

遠程 MCP ️ 圖片輸入
SIP電話呼叫 ️ > 可重用提示 pic.twitter.com/fX5yvt0CDD

— OpenAI Developers (@OpenAIDevs) 2025 年 8 月 28 日

實時應用程式接口正式推出，準備好爲您的生產語音代理服務！

我們還將推出 gpt-realtime（我們迄今爲止最先進的語音轉語音模型）以及新的語音和 API 功能：

遠程 MCP ️ 圖片輸入 SIP電話撥打 ️ > 可重用提示 pic.twitter.com/fX5yvt0CDD

— OpenAI Developers (@OpenAIDevs) 2025 年 8 月 28 日

實時應用程式接口正式退出測試階段，準備好爲您的生產語音代理服務！

我們還推出了gpt-realtime——我們迄今爲止最先進的語音對語音模型——以及新的聲音和應用程式接口功能：

遠程 MCP ️ 圖片輸入
SIP電話呼叫 ️ 可重用的提示 pic.twitter.com/fX5yvt0CDD

什麼是GPT-Realtime及其重要性

GPT‑Realtime 是一個語音到語音的模型，直接處理音頻輸入和輸出，繞過傳統的多模型管道。這種單模型方法顯著降低了延遲，捕捉語音細微差別(例如，停頓、語調、笑聲)，並提供自然、富有表現力的響應。Realtime API 現在已經準備好投入生產，包含了額外的功能，如圖像輸入、SIP 電話支持、遠程模型上下文協議(MCP)工具和可重用的提示。OpenAI 與客戶密切合作訓練該模型，以在客戶支持、個人助手和教育等實際領域表現出色。

該模型在指令遵循準確性方面顯示出顯著改善(，從大約65.6%上升到82.8%)，以及語音質量。隨着兩個新聲音“雪松”和“海洋”的引入，交互變得更加生動和吸引人。重要的是，OpenAI將價格降低了約20%，當前每百萬音頻輸入令牌的費用約爲32美元，每百萬輸出令牌的費用約爲64美元，使得高性能語音AI對企業來說更加具成本效益。

爲商業而建：現實世界的應用案例

OpenAI 強調模型與實際企業使用的一致性。通過促進直接音頻處理和啓用工具集成，開發者現在可以爲實時客戶支持、輔導、虛擬助手等任務構建響應式語音代理。SIP 電話呼叫功能的增加對於呼叫中心部署尤其重要，能夠實現 AI 與傳統電話系統之間的無縫交接。

GPT‑Realtime 基於 2024 年 5 月推出的 GPT‑4o ( 的遺產，"o" 代表 "omni")。GPT‑4o 引入了真正的多模態能力，處理文本、音頻和視覺，具有本地語音支持和令人印象深刻的性能基準。它支持超過 50 種語言，並支持企業定制的微調。2024 年 10 月發布的 Realtime API 標志着語音互動的早期階段，現已通過今天的增強顯著成熟。

結論

GPT-Realtime 代表了 AI 驅動語音應用的一個重要進展，將低延遲、自然語音和擴展工具訪問結合到一個單一的、適合商業的 API 中。借助改進的性能指標、降低的成本和實用的集成功能，這次更新爲開發語音代理、客戶支持系統和互動學習工具的組織提供了實質性的價值。

功能