5 月 7 日，OpenAI 一口氣發表三款語音模型，把 Realtime API 產品線重新整理了一遍。這次的重點，是把聽、想、說，以及工具呼叫放進同一條即時對話流程。
三款模型分別是：能一邊推理一邊說話的對話模型 GPT-Realtime-2；支援 70 種輸入語言、13 種輸出語言的即時口譯模型 GPT-Realtime-Translate；以及串流語音轉文字模型 GPT-Realtime-Whisper。三者都進入 Realtime API 正式版，並支援遠端 MCP 伺服器呼叫、圖片輸入和 SIP 電話撥入。
Realtime-2 要解決的是「想的時候卡住」
這次最值得看的，是 Realtime-2 能在推理請求的同時維持對話。過去很多語音 agent 的問題是，使用者講完之後它要停下來思考，想完再回答。電話場景裡，只要停頓超過幾秒，使用者就會覺得系統是不是掛了。
Realtime-2 可以邊推理邊接話，使用者中途插話也不丟上下文，還能同時呼叫多個工具。上下文視窗從上一代的 32K 擴到 128K，開發者也能在「快」和「想得更深」之間調整推理強度。OpenAI 的說法是，它能在推理、工具呼叫、修正和打斷處理中讓對話繼續往前走。
換句話說，OpenAI 想讓 AI 接電話時，不再像反應慢半拍的客服。
Zillow 和 Deutsche Telekom 是第一批案例
OpenAI 這次特別點名 Zillow 和 Deutsche Telekom。美國大型房地產平台 Zillow 已經用 Realtime-2 跑過一段真實電話流量。OpenAI 表示，接電話成功率有明顯提升，合規穩健性也更好，但沒有公布具體百分比。
這件事的意義在於，語音 agent 過去的瓶頸不是單純聽不聽得懂，而是接不接得住下一輪。例如客戶問「這個房源下午三點能不能看？我女兒放學，所以四點前要結束」，這類多條件約束常常讓上一代模型卡住。Zillow 的測試顯示，Realtime-2 正在跨過這類卡點。
Deutsche Telekom 則在測試 Realtime-Translate，用於跨國客服：客戶說德語、客服說英語，中間不再需要人工翻譯。
價格也改得更適合連續語音
GPT-Realtime-2 的價格是每百萬音訊輸入 token 32 美元，快取輸入 0.40 美元，每百萬輸出 token 64 美元。GPT-Realtime-Translate 為每分鐘 0.034 美元，GPT-Realtime-Whisper 為每分鐘 0.017 美元。
Translate 和 Whisper 改成按分鐘計費後，客服、會議記錄等連續語音場景更容易估算成本：1,000 分鐘就是 Whisper 17 美元，Translate 34 美元。Realtime-2 仍按 token 計費，但快取輸入折扣很大，適合那些系統 prompt 很長、每次對話都重複使用同一段設定的客服 agent。
語音 agent 的技術堆疊正在縮短
如果把時間拉回去年初，語音 AI 還是分層競爭：ElevenLabs 主打 TTS，聲音好聽但不負責推理；Deepgram、Whisper 主打 STT；第一代 GPT-4o 語音模式雖然有對話能力，但延遲和打斷處理仍不穩。OpenAI 現在想把「聽、想、說」壓進同一個推理流程。
接下來競爭的焦點也會改變。重點不只是誰的辨識更準，而是誰能讓 AI 在電話裡像真人一樣接得上話。ElevenLabs 有 voice cloning 優勢，Anthropic 今年還沒在語音 API 這條線推出模型；如果 Zillow 的早期數據成立，客服外包公司和 call center SaaS 今年可能很快會在財報裡感受到壓力。
參考來源：OpenAI has new voice models that reason,CocoLoop、 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 官方部落格）