今夜，语音模型第一次超越人类！OpenAI再现Her时刻，95后华人研究员坐镇

OpenAI凌晨发布最新生产级别语音模型和API。Realtime API实现语音直接处理，支持图像输入、远程MCP服务器与SIP打电话，极大简化语音智能体构建；而新一代语音到语音模型gpt-realtime，在音质、理解力、指令遵循和函数调用上全面提升，语音几乎媲美真人，还能多语种切换与细腻表达。

今天凌晨1点，OpenAI接连扔出AI语音能力的两个重磅更新。

一个是Realtime API，可支持生产级的实时智能体。

另一个是最先进的语音到语音模型gpt-realtime。

Realtime API更新后不仅能连远程MCP服务器，识别图像输入，还能通过SIP协议直接打电话。

新模型gpt-realtime更是狠，复杂指令都能听懂，工具调用更精准，语音自然流畅，还能带点表现力。

它能逐字念免责声明，能准确复述字母数字，还能在对话里无缝切换语言。

最惊艳的，还是那声音效果，几乎和真人没区别，甚至比真人更惟妙惟肖。

先来感受下这个语音的夸张效果，你几乎听不出来「机器味」。

这不禁让人联想到OpenAl这两天很多人在社交媒体表示「feel the AGI....」

不知道说的是不是这个最新的Realtime语音功能。

在OpenAI提供的官方示例中，语音能力的加入，让整个画面立即就是充满了AGI的味道！

现在gpt-realtime能够处理复杂的多步骤请求，例如根据生活方式需求缩小房源列表，全程对话让AI完成操作。

或者直接拨打电话安排医生预约。

Realtime API第一次开放测试版是在去年10月，数千名开发者参与，边用边反馈。是所有这些开发者塑造了今天的改进。

高可靠性、低延迟、高品质，就是为了让语音智能体能够真正能落地。

因为AI语音实现的传统链路很繁琐：语音转文本，文本再转语音，层层叠加。

而Realtime API不一样，它只用一个模型，一个接口。

直接处理，直接生成音频。延迟更低，细节保留得更好。

声音，也更自然，更有表现力。

gpt-realtime 模型介绍

全新的语音到语音模型gpt-realtime，在音质、智能、指令遵循和函数调用方面均实现了全面提升。

可以说是OpenAI目前最先进的，并且也是已为生产环境准备就绪的语音模型。

音频质量

自然的对话是语音智能体在现实世界中落地的关键，就像电影《HER》中主角完全沉浸在斯嘉丽约翰逊的声音中。

所以要求模型需要具备媲美人类的语调、情感和语速，才能创造愉悦的体验，并鼓励用户持续交流。

OpenAI对gpt-realtime的训练专注于生成音质更佳、听感更自然的语音，并能遵循细粒度指令。

例如「用快速、专业的语气说话」或「带上法国口音，用共情的语气表达」。

此外，在API中推出了Marin和Cedar两款新语音，在语音的自然度上实现了重大突破。

同时，对现有的八款语音也进行了升级，使其同样受益于这些改进。

智能与理解力

gpt-realtime展现出更高的智能水平，能够更精准地理解原始音频。

模型可以捕捉笑声等非语言线索，在句子中途切换语言，并根据要求调整语气（例如，从「干脆利落的专业风格」切换到「亲切有同理心」）。

内部评估显示，该模型在识别西班牙语、中文、日语、法语等语言中的字母数字序列（如电话号码、车辆识别码等）时，表现也更为准确。

在衡量推理能力的Big Bench Audio评测中，gpt-realtime取得了 82.8% 的准确率，远超在2024年12月发布的上一版模型（65.6%）。

指令遵循

构建语音到语音应用时，开发者需要为模型提供一套行为指令，包括如何说话、在特定情境下说什么、以及行为的边界。

此次着重改进了模型对这些指令的遵循能力，使得即便是最细微的指示也能被模型有效捕捉。

在衡量指令遵循准确度的MultiChallenge音频基准测试中，gpt-realtime的得分达到30.5%，相较于旧版模型（20.6%）有了显著提高。

函数调用

要利用语音到语音模型构建强大的语音智能体，模型必须能够在恰当的时机调用正确的工具，才能在生产环境中真正发挥作用。

gpt-realtime从三个维度改进了函数调用：调用相关函数、在合适的时机调用，以及使用正确的参数调用（从而提升准确率）。

在衡量函数调用性能的ComplexFuncBench音频评测中，gpt-realtime的得分为66.5%，而旧版模型得分仅49.7%。

还对异步函数调用进行了改进。耗时较长的函数调用将不再阻塞会话流程——模型可以在等待结果的同时，保持流畅的对话。该功能已原生内置于gpt-realtime，开发者无需更新代码即可使用。

Realtime API的新功能

远程 MCP 服务器支持

您可以在实时API的会话配置中，通过传入远程MCP服务器的URL来启用MCP支持。连接后，API会自动处理相关的工具调用，无需手动进行集成。

该设置让您可以轻松地为智能体扩展新能力：只需将会话指向一个不同的MCP服务器，相应的工具便会立即可用。

// POST /v1/realtime/client_secrets
{
  "session": {
    "type": "realtime",
    "tools": [
      {
        "type": "mcp",
        "server_label": "stripe",
        "server_url": "https://mcp.stripe.com",
        "authorization": "{access_token}",
        "require_approval": "never"
      }
    ]
  }
}

图像输入

gpt-realtime现已支持图像输入。

可以将图片、照片、屏幕截图等视觉信息与音频或文本一同加入到实时API的会话中。

现在，模型可以将对话内容与用户所见的画面相结合，让用户可以提出「你看到了什么？」或「读一下这张截图里的文字」这类问题。

系统处理图像的方式并非实时视频流，而更像是在对话中插入一张图片。

应用程序可以决定在何时、与模型分享哪些图像。

通过这种方式，可以始终掌控模型看到的内容以及响应的时机。

{
    "type":"conversation.item.create",
    "previous_item_id":null,
    "item":{
        "type":"message",
        "role":"user",
        "content":[
            {
                "type":"input_image",
                "image_url":"data:image/{format(example: png)};base64,{some_base64_image_bytes}"
            }
        ]
    }
}

其他功能

此次更新还增加了多项功能，使Realtime API更易于集成，在生产使用中也更具灵活性。

会话发起协议 (SIP) 支持：通过实时API的原生支持，将应用连接到公共电话网络、PBX系统、桌面电话及其他 SIP端点。

这有点像马斯克此前推出的Ani打电话功能。

可重用提示词：可以像在Responses API中一样，保存并在不同的实时API会话中重用提示词——这些提示词可包含开发者消息、工具、变量以及用户/助手消息示例。

华人面孔+2

OpenAI的发布会必定会出现华人，这次发布会出现两张新面孔。

Beichen Li

Beichen Li目前是OpenAI的技术研究员。

研究方向是计算机图形学与机器学习的交叉领域，重点关注利用多模态大语言模型（MLLM）进行视觉程序合成。

此前，他在MIT CSAIL获得计算机科学博士学位，师从Wojciech Matusik教授；在MIT获得电气工程与计算机科学硕士学位；在清华大学获得计算机科学与技术学士学位。

Liyu Chen

Liyu Chen目前是OpenAI的技术研究员。

此前，他在南加州大学获得博士学位，师从Haipeng Luo教授；在香港科技大学获得学士学位，毕业论文由Dit-Yan Yeung教授指导。

参考资料：

https://openai.com/index/introducing-gpt-realtime/

文章来自于微信公众号“新智元”。