模型定位
GPT-Realtime-2 是面向实时语音交互和复杂语音智能体工作流的 API 模型。OpenAI 将其描述为首款具备 GPT-5 级推理能力的语音模型,支持语音到语音交互。发布日期为 2026 年 5 月 7 日。(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 Realtime API 构建实时语音应用。(developers.openai.com)
- 支持函数调用、并行工具调用,以及在对话中处理更正和打断;可通过简短提示告知用户正在执行的操作。开发者可调整语气和表达方式。(openai.com)
- 推理强度可选 minimal、low、medium、high 和 xhigh,默认 low;较高强度可能增加延迟和输出 token 用量。(openai.com)
- 上下文窗口为 128,000 token,最大输出为 32,000 token;知识截止日期为 2024 年 9 月 30 日。(developers.openai.com)
- 可用于语音客服、旅行安排、日程管理和其他需要结合外部工具完成任务的语音助手。(openai.com)
限制
- 不支持视频输入、结构化输出或微调;图像仅支持输入,不支持图像输出。(developers.openai.com)
- 访问受到 API 使用层级和速率限制;官方模型页显示免费层不支持该模型。(developers.openai.com)
- 开发者应遵守 OpenAI 使用政策,并在上下文不能明显表明的情况下告知终端用户其正在与 AI 交互。(openai.com)
API 价格
以下为 OpenAI 官方模型页所列 美元(USD)价格,单位均为每 100 万 token;缓存输入价格仅适用于符合缓存条件的输入。查询日期:2026 年 11 月 16 日。(developers.openai.com)
| 模态 | 输入 | 缓存输入 | 输出 |
|---|---|---|---|
| 文本 | 4.00 USD | 0.40 USD | 24.00 USD |
| 音频 | 32.00 USD | 0.40 USD | 64.00 USD |
| 图像 | 5.00 USD | 0.50 USD | 不支持图像输出 |
工具使用可能另行收费;第三方云平台的计费方式可能不同。具体费用以实际调用的平台和适用条款为准。(developers.openai.com)