2025年8月28日，OpenAI 通过其官方网站和社区论坛宣布推出 GPT‑Realtime，并将 Realtime API 正式从 beta 版转向一般可用（GA）状态。这一更新旨在为开发者提供更可靠的生产级语音代理工具，标志着 OpenAI 在多模态 AI 领域的加速布局。
Realtime API 最初于 2024 年推出，旨在支持语音与文本的实时交互，而 GPT‑Realtime 作为其最新模型，聚焦于 speech‑to‑speech 任务的优化。OpenAI 表示，这一模型在延迟、成本和性能上实现了全面提升，适用于构建聊天机器人、虚拟助理和实时翻译系统等应用。该发布与 OpenAI 的整体战略一致，即通过不断迭代模型（如 GPT‑5 和 o3‑mini），推动 AI 从实验室走向实际生产环境。
在当前 AI 语音市场竞争激烈的背景下，这一发布尤为引人注目。微软的 Azure AI、Anthropic 的 Claude Voice 和 Google 的 Gemini Live 等工具正加速发展，而 OpenAI 通过 GPT‑Realtime 强化了其在语音代理领域的领先地位。The Verge 报道称，这一更新直接针对生产级应用的痛点，如低延迟和高可靠性。
GPT‑Realtime 的核心在于其先进的 speech‑to‑speech 架构，优化了多步推理和工具调用能力。OpenAI 表示，该模型在指令遵循、工具调用可靠性、语音质量等方面实现了显著提升。
具体功能包括：
- 更强的指令遵循：模型能更好地理解复杂指令，实现多步语音交互，而不会出现传统模型的响应偏差。
- 可靠工具调用：在语音代理中无缝集成工具，如查询数据库或执行外部 API，减少错误率。
- 提升语音质量：通过优化音频合成，提供更自然、流畅的输出，适用于实时对话场景。
- 整体性能优化：在生产环境中，GPT‑Realtime 的延迟和成本均低于前代模型，支持开发者构建高效应用。
OpenAI 社区论坛用户反馈，该模型在实际测试中表现出色，尤其在多轮对话和工具集成任务中，响应速度快于 Claude 3.7 和 Deepseek R1。 ZDNet 分析称，GPT‑Realtime 的更新使 Realtime API 真正进入生产级阶段，开发者可轻松构建语音代理，而无需复杂配置。
此外，OpenAI 同步发布了 Realtime API 的官方提示指南，指导开发者如何优化模型性能。该指南强调了在语音交互中利用简单提示实现多步推理的重要性。
GPT‑Realtime 的推出标志着 OpenAI 在语音 AI 领域的战略深化。该模型针对生产级语音代理设计，适用于虚拟客服、实时翻译、教育助手和游戏交互等场景。其低延迟和高可靠性，使其在边缘计算和移动应用中具有优势。
OpenAI 的定价策略也极具竞争力：输入0.20美元/百万令牌，输出1.50美元/百万令牌，缓存输入0.02美元/百万令牌，远低于 GPT‑5 的定价。这使得 GPT‑Realtime 成为中小企业和独立开发者的首选。
在行业中，GPT‑Realtime 直接挑战微软 Azure AI 和 Anthropic 的语音工具。Rohan‑Paul 的报道指出，GPT‑Realtime 的 speech‑to‑speech 能力在模拟中超越了传统模型，尤其在复杂指令处理上。 开发者社区反馈，该模型在构建语音代理时，显著降低了部署成本和时间。
GPT‑Realtime 的发布引发热烈反响。Reddit 用户称其“将语音 AI 推向生产前沿”，强调其在工具调用上的可靠性。 X 平台用户@OpenAIFan 表示：“GPT‑Realtime 的语音质量和响应速度让我惊叹，是构建实时应用的完美工具。”
与竞争对手比较，GPT‑Realtime 在语音质量和指令遵循上领先于 Claude 3.7 和 Gemini 2.5 Pro。DeepNewz 分析称，其低成本定价可能重洗语音 AI 市场。 OpenAI 社区论坛用户反馈，该模型在多步交互中表现稳定，适合企业级应用。
同样，GPT‑Realtime 也面临伦理和隐私挑战，如语音合成可能被滥用为深假内容。OpenAI 需加强水印和检测机制。 此外，实时 API 的稳定性在高负载场景下需进一步优化。
未来，OpenAI 计划迭代 GPT‑Realtime，支持多语言和多模态输入，扩展到医疗、教育和娱乐领域。其低成本和高性能或将加速语音代理的普及，推动 AI 交互新范式。
OpenAI 的 GPT‑Realtime 发布标志着语音 AI 进入生产级时代，通过优化指令遵循和工具调用，显著提升了应用效率。该模型不仅丰富了 Realtime API 生态，还为开发者提供了低成本、高可靠的工具。面对竞争与挑战，OpenAI 需持续创新，确保 GPT‑Realtime 在 AI 语音浪潮中占据领先地位。