gpt-realtime是由OpenAI研發的語音對話模型，作為Realtime API組成部分於2025年8月28日首次推出，同年9月1日正式發布，採用端到端Speech-to-Speech架構直接生成並處理語音信號。該模型是OpenAI最先進的生產級語音模型，適用於客戶支持、教育、醫療等領域，具備捕捉非語言信號（如笑聲）、多語言實時切換、語調調整等功能，新增“Cedar”和“Marin”兩種語音選項，並對現有8種語音進行最佳化。其圖像理解能力支持語音或文本多模態互動，通過Realtime API支持SIP電話接入和圖像輸入功能。
2025年8月28日模型首次發布時，Big Bench Audio基準準確率提升至82.8%，MultiChallenge基準提升至30.5%，ComplexFuncBench基準提升至66.5%。同年9月1日Realtime API正式上線，新增遠程MCP伺服器支持、圖像輸入和多語言切換等功能。10月推出輕量級版本gpt-realtime mini，在保持語音質量的同時降低70%使用成本，支持音頻與語音的低延遲流式互動。該模型符合歐盟數據駐留要求，內置實時內容過濾等多層安全防護機制。
基本介紹
- 外文名：gpt-realtime
- 產品類型：語音對話模型
發展歷史,主要功能,性能數據,
發展歷史
2025年8月，OpenAI 推出 gpt-realtime 語音對話模型。
2025年9月1日，OpenAI正式推出全新語音模型GPT-realtime。
主要功能
“gpt-realtime”模型採用端到端 Speech-to-Speech 架構，可直接生成並處理語音，省去了常規的文本轉換步驟。目前 gpt-realtime 模型能夠捕捉笑聲等非語言信號，支持對話過程中中途切換語言，還可調整語音語氣 —— 例如實現“帶法國口音的友好語調”或“語速較快的專業語調”。此外，該模型新增了“Cedar”和“Marin”兩種語音，並對現有的 8 種語音效果進行了最佳化。
該模型具備圖像理解能力，可結合語音或文本進行互動對話，適用於客服、教育、金融、醫療等多個領域，可用於打造高質量的語音智慧型助手。
模型還擁有強大的上下文理解能力，能夠識別非語言信息（如笑聲），並根據情境實時調整語音語氣，從而實現多樣化的表達方式，例如“帶有法國口音的親切語調”或“語速較快的專業口吻”。
性能數據
在性能基準測試中，gpt-realtime 模型表現顯著提升：在 Big Bench Audio 基準測試中準確率從 65.6% 升至 82.8%，在 MultiChallenge 基準測試中從 20.6% 升至 30.5%，在 ComplexFuncBench 基準測試中則從 49.7% 提升至 66.5%。
