OpenAI 宣布推出语音模型 GPT-realtime。一个专用于语音AI Agent的多模态模型，能够生成更加自然流畅的语音，完美模仿人类丰富多样的语调、情感以及语速，支持图像理解并将其与语音或文本对话相结合使用，适用于客服、教育、金融、医疗等领域打造语音智能体。

GPT-realtime 采用端到端架构，直接处理并生成音频，显著降低延迟。还新增了Marin与Cedar两种极具特色的语音，同时对原有的8种语音也进行了全面升级。

OpenAI 表示，该模型展现出更高智能水平，能够更准确地理解母语音频。可以捕捉非语言线索（例如笑声）、在句子中间切换语言，并调整语气（“简洁专业” vs. “友善善解人意”）。

根据内部评估，该模型在检测其他语言（包括西班牙语、中文、日语和法语）的字母数字序列（例如电话号码、车辆识别号码 (VIN) 等）方面也表现出更高的准确性。在 Big Bench Audio 评估中，该模型的推理能力gpt-realtime得分高达 82.8%，超过了 2024 年 12 月发布的上一版模型（得分为 65.6%）。

在衡量指令执行准确率的 MultiChallenge 音频基准测试中，该模型的gpt-realtime得分为 30.5%，相比 2024 年 12 月发布的上一版模型（得分为 20.6%）有了显著提升。

GPT-realtime 改进了函数调用能力，支持图像输入，使对话内容可与视觉信息结合。新增多项功能使API更易集成，为开发者提供更大灵活性。

据悉，此次发布由95后华人研究员Beichen Li和Liyu Chen参与。Beichen Li毕业于MIT，研究方向为计算机图形学与机器学习交叉领域。