

今日凌晨,OpenAI宣布推出GPT-Realtime-2,这是全球首个具备GPT-5级别推理能力的音频模型。以往的语音助手存在「听不清」或「听不懂人话」的问题,只能完成简单线性任务。而GPT-Realtime-2引入可调节的推理强度,在最高级推理模式下,能在逻辑谜题、战略决策等方面表现出色。
例如,创业者描述开咖啡馆构想时,它能进行详细的「事后检查」,并给出合理建议。这种战略推理以往只能在复杂文字对话中实现,现在通过语音就能快速获得深度洞察。

除了GPT-Realtime-2,OpenAI还配套推出了GPT-Realtime-Translate和GPT-Realtime-Whisper。GPT-Realtime-Translate支持70 + 种输入语言和13种输出语言,能紧跟演讲者语速,保留情感起伏,可用于跨国会议等场景。
GPT-Realtime-Whisper是Whisper家族最新成员,专为流式转写而生,能在用户吐字同时输出文本,对实时会议记录、直播字幕等高频互动场景有极大帮助。

OpenAI强调语音交互正从「一问一答」进化为「语音触发行动」。GPT-Realtime-2将上下文窗口从32K提升到128K,能长时间记住用户要求,并具备多任务并行调用工具的能力。
比如在房产和旅游平台,它能根据用户语音指令完成找房、订日程、处理航班延误等任务,实现语音触发行动的高效交互。

在数据表现上,GPT-Realtime-2在衡量音频智能和多轮对话指令遵循能力的指标上都有显著提升。同时,其价格极具竞争力,每百万输入Token 32美元,输出64美元,实时翻译每分钟仅需0.034美元,实时转写每分钟仅需0.017美元。
OpenAI试图通过API将这种「GPT-5级」的语音能力广泛接入各类设备和应用,推动人机交互变革。
编辑观点:OpenAI的GPT-Realtime-2及配套工具提升了语音交互体验,成本优势利于普及。但面临技术优化、数据安全等挑战,商业化前景广阔,有望重塑人机交互格局。
477



被折叠的 条评论
为什么被折叠?



