5 月 7 日，OpenAI 一口气发了三个语音模型，把 Realtime API 那条产品线彻底重做了一遍。
先把名字摆出来：
- GPT-Realtime-2 —— 能边推理边说话的对话模型
- GPT-Realtime-Translate —— 70 种输入语言、13 种输出语言的实时口译
- GPT-Realtime-Whisper —— 流式语音转文字
三个模型同时进 Realtime API 正式版，外加远程 MCP 服务器调用、图片输入、SIP 电话拨入三件套支持。
这次最值得说的，是 Realtime-2 那个”边想边说”
以前的语音 agent 有个老毛病——你说完，它得停下来想，想完再说。停顿三秒以上用户就觉得”这玩意儿是不是死了”。
Realtime-2 把这个流程重做了。它能：
- 边推理边接话，不让对话停下来
- 被打断不丢上下文，用户中途插话，agent 接得住
- 并行调用工具，原来只能一次调一个，现在能并发
- 上下文窗口翻到 128K，比上一代 32K 多了 4 倍
- 推理强度可调，开发者能在”快”和”想得透”之间自己拨
OpenAI 自己的说法是：
“keeps the conversation moving while it reasons through a request, calls tools, handles corrections or interruptions”
讲人话：让 AI 接电话不再像在跟一个反应迟钝的客服讲话。
Zillow 是第一批拿到生产数据的
OpenAI 这次专门点了两个客户：Zillow 和 Deutsche Telekom。
Zillow（美国头部房产平台）用 Realtime-2 跑了一段时间真实电话流量，OpenAI 给的描述是”接电话成交率显著提升”以及”合规稳健性更好”——具体百分比没在官方文案里给出。但 OpenAI 在公开宣传里反复用了”call success rates jump”的措辞，行业媒体的解读是：这是第一次有大型房产平台把语音 agent 推到了主流呼叫流量上。
成交率涨这事是什么意思？语音 agent 这赛道之前的瓶颈一直是”听得懂但接不住下一轮”——客户问”那这个房源能不能下午三点看？我女儿放学得在四点之前结束”，老一代模型卡在多变量约束这里。Zillow 的测试说明，Realtime-2 把这一类卡点过了。
Deutsche Telekom（德国电信）在测 Realtime-Translate，打算给跨国客服用——客户说德语，客服说英语，中间不再需要人工翻译。
价格也改了
| 模型 | 价格 |
|---|---|
| GPT-Realtime-2 | $32 / 百万音频输入 token（缓存 $0.40），$64 / 百万输出 token |
| GPT-Realtime-Translate | $0.034 / 分钟 |
| GPT-Realtime-Whisper | $0.017 / 分钟 |
Translate 和 Whisper 改成了按分钟计费，对客服、会议记录这种连续语音场景，开发者算账简单多了——不用再换算 token，1000 分钟就是 17 美元（Whisper）或 34 美元（Translate）。
Realtime-2 还是按 token，但 cached input 打到 $0.40——比正常输入便宜 80 倍。这个折扣是给那些”系统 prompt 巨大但每次对话都用同一段”的应用准备的，比如客服 agent。
这事的行业意义
把语音 agent 这条线放回去年年初，那时候做语音 AI 的玩家是这样的：
- ElevenLabs 主打 TTS，声音好听但不会推理
- Deepgram、Whisper 主打 STT，转得准但只是文字
- GPT-4o 第一代有语音模式，但延迟和断点处理一塌糊涂
到现在这个时间点，OpenAI 把”听 + 想 + 说”三个能力压进了同一个推理流程——这是质变。原来做语音 agent 你得搭三层堆栈，现在一个 API 解决。
xAI 4 月份发的 Grok 语音 API（之前报道的那个”phone call 识别出错率 5%”）已经被 ElevenLabs 拉开 30 个百分点。OpenAI 现在这一手，等于直接把战场往前推了一个版本——不是比谁识别更准，而是比谁能让 AI 在电话里像真人一样接得上话。
接下来该看的有两件事：
- ElevenLabs 怎么接招——它有 voice cloning 优势，但推理是 OpenAI 的强项
- Anthropic 的 Claude 语音何时入场——Anthropic 今年还没在语音 API 这条线上发过模型
至于客服外包公司、call center SaaS 这种用人海战术的玩家，今年的财报会变成什么样，看 Zillow 的早期数据就能猜个八九不离十。
参考来源：OpenAI has new voice models that reason, translate, and transcribe as you speak（9to5Mac）；OpenAI's New Voice API Models（StartupHub.ai）；Advancing voice intelligence with new models in the API（OpenAI 官方博客）