語音 AI 終於不再只是 demo
過去兩年的語音 AI，給人感覺像「會議上很炫的功能」——延遲高、長對話容易迷路、翻譯能用但不能信。OpenAI 這次三件套同步發布，把語音流程拆成三個專門模型，各自處理一段。
更重要的是 Realtime API 同步從 beta 進入正式 GA（generally available）。這代表這套服務從「實驗中、別放生產」變成「可以簽 SLA 上線」。
三個模型不是替代關係，是 pipeline 關係：Whisper 聽、Translate 翻、Realtime-2 對話與行動。要做即時字幕用 Whisper、要做跨語言客服用 Translate、要做語音 agent 用 Realtime-2。
三個模型分頭吃下三條主線
語音對話旗艦
原生 speech-to-speech，OpenAI 自家標榜「GPT-5 級推理」。支援工具呼叫、被打斷後能接著講、長對話也不會走鐘。Context 從上一代 32K 跳到 128K，可以撐住很長的工作流。
即時語音翻譯
支援 70 + 種輸入語言、13 種輸出語言。直接從聲音翻到聲音，不需要中間轉成文字再 TTS。延遲低，適合做跨語言會議、客服、現場翻譯。
低延遲串流轉錄
Whisper 系列的 Realtime 版本，把整段轉錄變成串流——說一句出一句，不用等使用者停下來。適合直播字幕、會議筆記、長時間語音監聽。
Realtime-2 是這次的主角
三個裡面最值得單獨講的是 GPT-Realtime-2。它解決了上一代語音模型最常被詬病的幾個問題：
對開發語音 agent 的團隊意義最大的，是「被打斷後能接著講」這件事。過去的語音模型一旦被使用者中途插話，就會迷失上下文；Realtime-2 把這當成核心特性處理。對客服、教學、語音助理這類「使用者會中途打斷」的場景，可用性差很多。
定價
三個模型的計價單位不同——Realtime-2 用 token、另外兩個用分鐘。
cached $0.40
Translate 和 Whisper 用「每分鐘」計費，對成本估算非常友善——一場一小時的會議就是 $2 翻譯或 $1 轉錄，數字直觀。Realtime-2 因為要做完整 reasoning + action，價格高很多，但 cached input 的 $0.40 讓重複系統提示這類場景成本可控。
怎麼開始用
為什麼這次三件套同時推
語音 AI 過去一年大家都在補課：Google 在 Gemini 2 加 native 語音、Anthropic 把 Claude 接到 ElevenLabs、xAI 推 Grok Voice。OpenAI 雖然 Realtime API 出得早，但 beta 卡很久、能力不全。這次一次拉齊。
另一個訊號是「拆分專門模型」這個策略。OpenAI 沒有做一個「萬能語音模型」，而是把對話、翻譯、轉錄拆成三個各自最佳化的模型。對應到價格也分層——便宜的事情用便宜的模型做，省下來。這跟整個 LLM 業界從「one big model」往「task-specific models」走的趨勢一致。
對台灣的開發者來說，最直接相關的是 Translate 那條——70 + 種輸入語言包含繁體中文、客語、台語等小語種覆蓋的程度值得實測。OpenAI 沒明列完整語言清單，得自己跑 Playground 驗證。