OpenAI gpt-realtime 与 Realtime API 重磅升级，语音智能体迎来生产级时代

这次 Realtime API g和 gpt-realtime 模型 发布，可以理解为 OpenAI 在语音交互上的一次大升级。

• Realtime API 能力更新

  
  
• 图像输入：支持在对话里直接用图像。
  
• 远程 MCP server 支持：让工具调用更灵活，可以接驳外部 MCP 工具。
  
• SIP/PBX 支持：能和电话系统集成，适合语音客服场景。
• Prompt caching：提示缓存，降低重复调用成本（价格低至 $0.40/百万 tokens）。
• 更好的函数调用：instruction following 和 tool calling 的可靠性增强。
  
  
• WebRTC API 扩展：包括 server websocket 控制和视频支持。
• 价格下调约 20% ：输入约 $32/百万音频 tokens，输出约 $64/百万音频 tokens。

  gpt-realtime 模型升级点

  
  
• 强调 语音到语音（speech-to-speech），低延迟，适合实时对话。
• 在 BigBench、ComplexFuncBench 等基准上较 GPT-4o-realtime 有显著提升。
  
• 语音层面改进：韵律（prosody）、非语言特征（咳嗽、笑声）、多语言切换。
• 新增两种声音：Cedar 和 Marin。
  

• 社区反响

• 工程师们认为这是 OpenAI 把 “实时语音” 当作 一等公民接口 来推动。

• 关注点在于：

• voice-native agents（以语音为核心的智能体）。
• MCP over voice（语音直接驱动代码/工具调用）。
• streaming hooks & session control（实时流式钩子和会话管理）。

• 应用前景

• 可以催生 语音优先的编程助理、AI 电话助理、多模态实时交互产品。
• 定位在“让随时对话的语音接口真正可用”。