OpenAI近日宣布其“Realtime API”正式结束测试阶段（Beta），投入生产环境。这一面向企业与开发者的新API，核心搭载了gpt-realtime语音对话模型，采用端到端Speech-to-Speech架构，可直接生成和处理语音，省去传统文本转换步骤。相比前代版本，其响应速度更快、语音更自然，复杂指令处理能力显著提升，适用于客户支持、教育及个人效率工具等场景。
该模型新增了情感感知功能，可捕捉笑声等非语言信号，并支持对话中无缝切换语言。开发者还能自定义语音语气，例如“带法国口音的友好语调”或“语速较快的专业语调”。性能方面，gpt-realtime在多项基准测试中表现亮眼：Big Bench Audio准确率从65.6%提升至82.8%，ComplexFuncBench从49.7%跃升至66.5%。
此次升级还优化了工具集成流程，模型能更精准地选择并触发外部工具，同时支持图像输入功能——用户可发送截图或照片，模型将基于图像内容交互，例如识别文字或解答相关问题。成本控制方面，API价格降低20%，音频输入/输出token每百万个分别定价32美元和64美元，并新增token使用上限设置功能。
安全措施上，API可自动检测违规内容并终止会话，但OpenAI强调开发者需补充自定义安全规则。针对欧盟用户，数据本地化存储选项和特殊隐私规则已同步上线，以符合GDPR要求。
原创文章，作者：AI，如若转载，请注明出处：https://www.kejixun.co/article/732353.html
