刚刚,OpenAI 放出三个语音模型,顺便杀死了「同传」

刚刚，OpenAI 放出了三个全新的实时语音模型，其中一个翻译模型，能把 70 多种语言实时翻译成 13 种语言输出，每分钟成本 2 毛钱。

同声传译这个行业，现在可能，要迎来它的终局了。

发了什么

这次发布的三个模型，分别对应语音交互的三大场景：对话、翻译、转录。

GPT-Realtime-2，是 OpenAI 目前最强的语音模型，具备 GPT-5 级别的推理能力。它能边听边想，在对话中实时解决复杂问题。可以理解为：一个能打电话的 GPT-5。

GPT-Realtime-Translate，实时语音翻译。支持 70 多种语言输入，翻译成 13 种语言输出，翻译的同时还能保留说话者的语调和情感。

GPT-Realtime-Whisper，实时语音转文字。一边说话一边出字幕，适合做实时字幕、会议记录。

三个模型都通过 Realtime API 对外开放，开发者可以用 WebRTC、WebSocket 或 SIP 接入。

能干活的嘴

GPT-Realtime-2 是 OpenAI 推出的第二代实时语音模型，也是目前 Realtime API 中推理能力最强的一个。

OpenAI 对它的定位是：让语音 Agent 从「能聊天」变成「能干活」。

它的几个关键升级：

• GPT-5 级推理：能在语音对话中处理复杂的多步推理任务，不再只是简单的问答

• 更好的工具调用：可以精准地调用外部工具，比如查数据库、调 API，这意味着语音 Agent 可以真正「做事」了

• 自然的对话处理：能处理打断、话题切换，不会因为你插了句嘴就丢了上下文

• 128K 上下文窗口：之前的 gpt-realtime 只有 32K，现在翻了四倍

• 更像人的声音：语音合成的自然度和表现力都有提升，能更好地理解和执行系统指令

用过 ChatGPT 语音模式的应该都很有感受，相比于直接的 chat，语音版的智能很差，几乎不怎么思考，更不会调用工具。

因为工具调用需要时间，语音场景又对延迟极度敏感，所以之前索性就做了一个很简单的版本。能聊天就行，干活就别指望它了。

但现在，这个问题解决了。

GPT-Realtime-2 能边聊边想边调工具了，你说出一个需求，它可以完成日历查找、更新完 CRM，直接动嘴就把事儿办了。

定价

文本 token 的价格是 $4/$16（输入/输出，每百万 token）。

音频 token 则是 $32/$64。

GPT-Realtime-Translate 的翻译功能单独计价，每分钟 $0.034，大约人民币 2 毛 5。

这个价格后面会详细说，因为它对同传行业，可能会是毁灭性的冲击。

实际案例

OpenAI 在博客里，提到了几个已经在用的企业：

德国电信正在基于 GPT-Realtime-Translate 打造客服系统，让客户用自己最舒服的语言沟通，模型负责实时翻译。

Priceline 在做一个旅行语音助手，旅客落地后可以直接用语音管理行程，语言不通也没关系，模型实时翻译。

Vimeo 也在合作中，具体做的是视频相关的实时语音场景。

视频 Demo

OpenAI 同步放出了一段 4 分钟的演示视频，展示了翻译和语音 Agent 两个场景。

已关注

关注

重播分享赞

视频详情

先看翻译功能。

Demo 里一个人用法语发言，模型实时把法语翻译成英语输出，音频直接从笔记本电脑捕获，没有任何后期编辑。

效果可以说是，非常惊艳。

模型会一边听一边翻译，等关键词（比如动词）出现后立即开始输出，听起来像两个人在自然对话。

如果你中途突然切换成德语，模型也能无缝跟上，毫无卡顿。碰到 GPT、OpenAI、computer use 这类技术术语，也一样能准确处理。

再看语音 Agent。

Demo 中对着手机上的个人助手说一句：

“ 我马上有个客户会议，能帮我看一下日程吗？

模型会立刻查看日历，回复说 12 分钟后有一个跟 Sablecrest Robotics 的 CTO Alex Kim 的会议。接着让它更新 CRM，把今天的会议摘要和后续步骤录入系统。

这里有个细节：模型在执行这些操作的时候，不是沉默地处理完再一次性给结果，而是会主动跟你说「让我拉一下最新的上下文，然后更新你的 CRM」。

这个「边干活边汇报」的能力叫 preamble，是 GPT-Realtime-2 的一个关键设计。以前的语音 Agent 调工具的时候，用户只能干等着，不知道它在干嘛。

现在它会边推理边跟你说话，体验完全不一样了。

Demo 中称：

“ 语音，现在可以真正成为主要交互界面了。

杀死同传

接下来聊聊这次发布里，我觉得可能最值得展开一说的部分。

GPT-Realtime-Translate 这个模型，看起来只是三个新模型中的一个，但它所指向的行业，是一个曾经站在翻译界金字塔顶端的职业：

同声传译。

塔尖职业

同声传译，也就是「同传」，是翻译行业中公认难度最高、门槛最高、薪资也最高的工种。

它的工作方式上大体是这样的：在国际会议或外交场合，译员坐在隔音的口译室里，戴着耳机听台上的发言，几乎同时把听到的内容翻译成另一种语言，对着麦克风说出来。

台下的听众，则通过耳机接收翻译。

注意是「几乎同时」。

发言者说完一句话，译员大约只落后两三秒。

全球 95% 的高端国际会议，都采用同声传译。联合国安理会、世界经济论坛、G20 峰会，台上领导人侃侃而谈的背后，都有同传译员在口译室里高速运转。

这个职业，日薪过万。

北京市场上，英语同传一天的报酬在 1.2 万到 2.1 万人民币之间。一个译员如果一年接 100 天活儿，年收入可以达到 50 万甚至更高。

但这钱，真的不好赚。

20 分钟一换

高薪的背后，同传的精神压力其实非常之大。大到了什么程度呢？

一般来说，同一语言需要 2 到 3 名译员组成一组，每 15 到 20 分钟轮换一次。

因为人的大脑在同传状态下是满负荷运行的：你要同时完成「听、理解、记忆、翻译、表达」这五个动作，而且不能停，不能回头，说出去的话收不回来。

2009 年的联合国大会上，就发生过一件著名的事。

利比亚领导人卡扎菲上台发言，原定 15 分钟的演讲，他整整讲了 96 分钟。内容天马行空，从「新型流感是某个国家施放的细菌武器」讲到怒撕《联合国宪章》。

他的私人阿拉伯语同传译员在坚持了 75 分钟后，终于心理状态彻底崩溃，当场直接放弃了翻译，并对着麦克风喊了一句：

“ 我受不了了。

联合国不得不临时调派其他译员来接替。

这个事故在翻译界，也算是一大故事了。

十年磨一剑

而想成为一名合格的同传译员，门槛高得吓人。

联合国招聘同传，要求英语、法语、俄语、西班牙语的译员必须精通至少三门联合国官方语言。中文和阿拉伯语译员则必须精通英语或法语。

而且，光语言好还不够。你还得通过联合国的同传考试：六场演讲，没有原文稿，涵盖政治、经济、人权、环境等各种议题，不同语速、不同口音、不同风格，一场一场翻过去。

有考生说，光是备考就花了七个月，每天密集练习。

国内的情况也类似。北京语言大学的同传专业每年只招 15 人，三个学期的魔鬼训练，第一学期给稿子翻，第二学期不给稿子翻，第三学期不给稿子也不给译文，直接模拟现场采访。

但，毕业了就能上岗吗？

也未必。客户选人看的是你参加过什么级别的会议，新人……根本没什么机会。

全球专业的同声传译人才总共也就 2000 多人。据不完全统计，中国的顶级同传也就只有 30 人左右。

这些人，每一个都是十年以上的积累，每一场会议都是如履薄冰。

两毛五

然后……OpenAI 发了个 API。

GPT-Realtime-Translate，每分钟 $0.034，折合人民币大约 2 毛 5。

一个同传译员一天的报酬是 1.2 万到 2.1 万元。按 8 小时工作制算，每分钟成本大约 25 到 44 元。

AI 翻译的成本，是人类同传的万分之一。

而且 AI 不需要休息，不需要每 20 分钟换人，不会心理崩溃，支持 70 多种输入语言，7×24 小时待命。

更不会吼出那声：老子不干了！

当然了，目前的 GPT-Realtime-Translate 还算不上完美的「同声传译」。

从 Demo 中来看，它已经能在说话者还在讲的时候就开始翻译，会等关键词（比如动词）出现后立即输出。但 OpenAI 的技术文档把它标注为 turn-based：理想状态下说话者短暂停顿，模型处理效果最好。

实际体验介于「逐句翻译」和「同声传译」之间。

偶尔也会出现幻觉，比如产生一些无意义的声音，或者干脆沉默不翻译。

OpenAI 在技术文档里写的是：

“ 随着模型变得更快、更高效，这个延迟会显著降低，翻译会变得更加无缝。

而且更为关键的是，它在翻译时能保留说话者的情感、语调和语速。

OpenAI 在 Cookbook 文档声称：这让它「比以往任何时候都更接近一个现场翻译」（live interpreter）。

传统的翻译方案是级联式的：先语音转文字，再文字翻译，再文字转语音。每一步都会丢失信息，语调没了，情感没了，停顿节奏也没了。

GPT-Realtime-Translate 则是端到端处理原始音频，跳过了中间的文字步骤，自然能保留更多声音本身的特征。

同传这个行业，倒不是今天才被威胁的。

字节在去年 7 月发布的豆包同传大模型 Seed LiveInterpret 2.0，已经在延迟和准确率上接近人类水平。科大讯飞的同传产品也做了好几年了。

连联合国妇女署都已经在采购 AI 翻译口译软件。

但 OpenAI 这次不一样。它把实时翻译做成了一个标准化的 API，每分钟 2 毛 5，任何开发者都能轻松接入。

它直接跳过了实验室 demo 阶段，把「杀死同传」这件事，做成了一个可以大规模部署的廉价产品。

还有 Whisper

GPT-Realtime-Whisper 也顺便聊几句。

Whisper 各位应该不太陌生了，OpenAI 之前就有开源的语音识别模型 Whisper。但这次的 GPT-Realtime-Whisper 是流式版本：一边说话，一边出文字，延迟极低。

适合场景有哪些呢？

实时字幕、会议实时记录、直播实时转写。

如果说 GPT-Realtime-Translate 威胁的是同传，那 GPT-Realtime-Whisper 威胁的就是速记员。

这俩加在一起，会议行业的服务商们，可能要重新想想生存模式了……

AI 语音基础设施

三个模型，三个场景，可以说 OpenAI 这次是直接把语音 AI 的基础设施一次性铺齐了。

对话有 GPT-Realtime-2，翻译有 GPT-Realtime-Translate，转录有 GPT-Realtime-Whisper。

而拿到这三块积木，能搭出什么样的产品，就看各位的了。

◇ ◆ ◇