OpenAI 又出大动作:实时语音API全面开放，声音和真人几乎无差别

OpenAI 正式开放 Realtime API，集成了其最先进的语音对话模型 gpt-realtime，并带来了一系列新功能，用于打造可直接投入生产的语音智能体

新版 gpt-realtime 模型（gpt-realtime-2025-08-28） 在理解复杂指令、精准调用工具、生成更自然和富有表现力的语音方面都有显著提升。定价为：每百万音频输入 token 收费 32 美元，每百万音频输出 token 收费 64 美元，比上一代便宜 20%

Realtime API 现在支持 远程 MCP 服务器、图像输入，以及通过会话发起协议（SIP）的电话功能，让语音智能体能使用更多工具与上下文，功能更强大

OpenAI 推出了两种全新声音 Cedar 和 Marin，仅在 Realtime API 中可用，并且对原有的八种声音也进行了更新

在 Big Bench Audio 推理能力评测中，gpt-realtime 的准确率达 82.8%，相比 2024 年 12 月发布的前一代模型（65.6%）有明显提升

OpenAI 还发布了 gpt-audio（gpt-audio-2025-08-28），这是首个面向 Chat Completions REST API 全面开放的音频模型，定价为：每百万音频输入 token 收费 40 美元，每百万音频输出 token 收费 80 美元