OpenAI 的新 GPT 实时语音 API 用于商业自动化

来源：OpenAI来源：OpenAI来源：OpenAI**OpenAIOpenAI正式推出了GPT-Realtime和升级版的实时应用程序接口，提供一个强大的一体化语音对语音模型，旨在改变业务应用中的语音互动。** 此次更新标志着全面可用的转变，降低了对单独的语音转文本和文本转语音链的需求，并引入了图像输入、SIP电话呼叫和访问外部工具等功能。新的产品经过优化，适用于现实世界的使用，提高了响应的自然性，同时简化了客户支持、助手和教育平台的集成。

OpenAI正式推出了GPT-Realtime和改版的Realtime API，提供了一种强大的全能语音转语音模型，旨在改变商业应用中的语音互动。OpenAIGPT-Realtime功能

Realtime API已正式推出，不再是测试版，现已准备好供您的生产语音代理使用！

我们还推出了 gpt-realtime——我们迄今为止最先进的语音对语音模型——以及新的语音和应用程序接口功能:

远程 MCP ️ 图片输入
SIP电话呼叫 ️ > 可重用提示 pic.twitter.com/fX5yvt0CDD

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

实时应用程序接口正式推出，准备好为您的生产语音代理服务！

我们还将推出 gpt-realtime（我们迄今为止最先进的语音转语音模型）以及新的语音和 API 功能：

远程 MCP ️ 图片输入 SIP电话拨打 ️ > 可重用提示 pic.twitter.com/fX5yvt0CDD

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

实时应用程序接口正式退出测试阶段，准备好为您的生产语音代理服务！

我们还推出了gpt-realtime——我们迄今为止最先进的语音对语音模型——以及新的声音和应用程序接口功能：

远程 MCP ️ 图片输入
SIP电话呼叫 ️ 可重用的提示 pic.twitter.com/fX5yvt0CDD

什么是GPT-Realtime及其重要性

GPT‑Realtime 是一个语音到语音的模型，直接处理音频输入和输出，绕过传统的多模型管道。这种单模型方法显著降低了延迟，捕捉语音细微差别(例如，停顿、语调、笑声)，并提供自然、富有表现力的响应。Realtime API 现在已经准备好投入生产，包含了额外的功能，如图像输入、SIP 电话支持、远程模型上下文协议(MCP)工具和可重用的提示。OpenAI 与客户密切合作训练该模型，以在客户支持、个人助手和教育等实际领域表现出色。

该模型在指令遵循准确性方面显示出显著改善(，从大约65.6%上升到82.8%)，以及语音质量。随着两个新声音“雪松”和“海洋”的引入，交互变得更加生动和吸引人。重要的是，OpenAI将价格降低了约20%，当前每百万音频输入令牌的费用约为32美元，每百万输出令牌的费用约为64美元，使得高性能语音AI对企业来说更加具成本效益。

为商业而建：现实世界的应用案例

OpenAI 强调模型与实际企业使用的一致性。通过促进直接音频处理和启用工具集成，开发者现在可以为实时客户支持、辅导、虚拟助手等任务构建响应式语音代理。SIP 电话呼叫功能的增加对于呼叫中心部署尤其重要，能够实现 AI 与传统电话系统之间的无缝交接。

GPT‑Realtime 基于 2024 年 5 月推出的 GPT‑4o ( 的遗产，"o" 代表 "omni")。GPT‑4o 引入了真正的多模态能力，处理文本、音频和视觉，具有本地语音支持和令人印象深刻的性能基准。它支持超过 50 种语言，并支持企业定制的微调。2024 年 10 月发布的 Realtime API 标志着语音互动的早期阶段，现已通过今天的增强显著成熟。

结论

GPT-Realtime 代表了 AI 驱动语音应用的一个重要进展，将低延迟、自然语音和扩展工具访问结合到一个单一的、适合商业的 API 中。借助改进的性能指标、降低的成本和实用的集成功能，这次更新为开发语音代理、客户支持系统和互动学习工具的组织提供了实质性的价值。

功能