OpenAI於2025年8月28日宣布，將其即時API（Realtime API）推向一般可用階段，並同步發表了迄今為止最先進的語音對語音模型GPT-Realtime。這項更新標誌著語音AI技術的重大進展，為開發者和企業開啟了打造更自然、更高效互動體驗的新篇章。
GPT-Realtime模型代表了語音AI處理方式的根本性轉變。有別於傳統需要將語音轉換為文字、再由語言模型處理、最後轉換回語音的複雜流程，GPT-Realtime能夠直接處理和生成音訊。這種端對端的架構大幅降低了延遲，同時保留了語音中的細微差別，例如語氣、情感和非語言線索（如笑聲），使得對話更加流暢且富有人性。根據內部評估，GPT-Realtime在理解複雜指令、精確調用工具以及生成自然且富有表現力的語音方面均有顯著提升。在Big Bench Audio基準測試中，其推理能力準確度高達82.8%，較OpenAI於2024年12月發布的模型提升了17.2%。此外，在指令遵循和複雜功能調用方面的表現也大幅優於前代模型。
為了進一步擴展語音代理的功能，OpenAI在即時API中新增了多項企業級功能。其中包括支援遠端模型上下文協定（MCP）伺服器，讓開發者能夠更輕鬆地將外部工具和服務整合至模型中，無需進行客製化整合。同時，新增的圖像輸入功能，讓模型能夠理解視覺內容，進一步豐富對話的維度。此外，支援SIP（Session Initiation Protocol）電話呼叫整合，使得語音代理能夠直接連接到傳統的電話網路和PBX系統，實現數位AI與傳統電信基礎設施的無縫對接。這些功能的加入，旨在為開發者提供更強大的工具，以建構更具備情境感知和多模態能力的語音代理。
OpenAI在定價策略上也展現了積極擴大市場的企圖。GPT-Realtime模型相較於先前版本，價格降低了20%，每百萬個音訊輸入代幣的價格為32美元，每百萬個音訊輸出代幣為64美元。此舉不僅降低了開發者的使用門檻，也預示著語音AI市場競爭的日益激烈。據悉，已有如Zillow、T-Mobile等公司在早期測試中展現了GPT-Realtime的強大潛力，例如在房地產搜尋和客戶服務等領域，都能提供更自然、更具效率的互動體驗。此次更新也帶來了兩款全新的語音選項：Cedar和Marin，為開發者提供了更多選擇來打造獨特的語音體驗。總體而言，OpenAI的即時API和GPT-Realtime模型不僅是技術上的重大突破，更是對語音AI未來發展方向的有力指引，預計將深刻影響客戶服務、教育、醫療等眾多行業的互動模式。