模型定位
GPT-Realtime-Whisper 是面向实时转录的流式语音转文字模型,可通过 Realtime API 使用。OpenAI 于 2026 年 5 月 7 日发布该模型。(openai.com)
能力与用途
模型可在用户说话时持续输出低延迟的转录文本,开发者可权衡延迟与准确性。适用场景包括会议、课堂、直播和活动字幕,以及为会议笔记、语音助手和客户服务等工作流提供实时转录内容。(developers.openai.com)
限制
- 支持音频输入及文本输入、输出;不支持音频输出、图像或视频。
- 支持流式输出,但不支持函数调用、结构化输出或微调。
- 官方模型页列出的上下文窗口为 16,000 token,最大输出为 2,000 token。免费层级不支持该模型,其他层级有音频时长速率限制。(developers.openai.com)
价格
OpenAI API 的实时转录价格为 0.017 美元(USD)/分钟,按实时音频时长计费,而非按文本 token 计费;官方定价表未分别列出输入和输出 token 单价。符合数据驻留条件的区域处理端点可能加收 10%,具体适用情况以官方说明为准。价格查询日期:2026 年 11 月 16 日。(developers.openai.com)