模型定位
gpt-realtime 是 OpenAI 面向实时语音交互的多模态模型,也是其首个正式发布的 Realtime 模型。它直接处理和生成音频,旨在帮助开发者构建低延迟语音代理,而不必将语音识别和语音合成模型串接起来。2025 年 8 月 28 日,OpenAI 发布了该模型及 Realtime API 正式版;对应的固定快照为 gpt-realtime-2025-08-28。(openai.com)
能力与用途
- 支持文本和音频输入、输出,以及图像输入;可通过 WebRTC、WebSocket 或 SIP 连接进行实时交互。(developers.openai.com)
- 支持函数调用,可结合 Realtime API 的远程 MCP 服务器支持和 SIP 电话接入等功能构建应用。官方列举的用途包括客户支持、个人助理和教育。(openai.com)
- 官方介绍其在复杂指令遵循、工具调用、自然语音表达和语言切换方面有所改进。(openai.com)
限制与状态
- 上下文窗口为 32,000 token,最大输出为 4,096 token;知识截止日期为 2023 年 10 月 1 日。(developers.openai.com)
- 不支持视频、图像输出、结构化输出或微调。(developers.openai.com)
- 截至 2026 年 11 月 18 日,官方已将
gpt-realtime及该固定快照标记为弃用,并公布计划于 2027 年 1 月 20 日关闭;官方推荐替代模型为gpt-realtime-2.1。(developers.openai.com)
API 价格
OpenAI 模型文档所列价格,币种为美元(USD),单位均为每 100 万 token;缓存输入价仅适用于缓存输入。查询日期:2026 年 11 月 18 日。(developers.openai.com)
| 模态 | 输入 | 缓存输入 | 输出 |
|---|---|---|---|
| 文本 | $4.00 | $0.40 | $16.00 |
| 音频 | $32.00 | $0.40 | $64.00 |
| 图像 | $5.00 | $0.50 | 不支持 |