GPT-Realtime-2.1

概览

OpenAI 面向开发者的实时语音模型，2026-07-06 与更快更便宜的 gpt-realtime-2.1-mini 一同发布，官方称把语音智能体的 p95 延迟至少压低了 25%。它在 GPT-Realtime-2 基础上改进了字母数字识别（念序列号、订单号更准）、静音与噪声处理以及打断行为，并支持可配置的推理强度与工具调用。上下文 128,000 token，最大输出 32,000 token，知识截止 2024-09-30。计价按模态分开：文本 $4 / $24、音频 $32 / $64、图像输入 $5 每百万 token；mini 版文本 $0.60 / $2.40、音频 $10 / $20。它与 ChatGPT 应用里的 GPT-Live 是两条线——GPT-Live 是消费者在 ChatGPT 中听到的声音，GPT-Realtime-2.1 是开发者拿来自建语音应用的模型。注意 Realtime API Beta 接口已于 2026-05-12 下线，须迁移到正式版接口。

模态

音频

能力

• +语音到语音（speech-to-speech）实时对话，端到端低延迟
• +可配置推理强度，支持工具调用与复杂语音智能体流程
• +改进的字母数字识别、静音与噪声处理、打断行为
• +输入支持文本 / 音频 / 图像，输出支持文本 / 音频
• +128,000 token 上下文、32,000 token 最大输出
• +配套实时翻译与实时转写端点

版本历史

1. 2026-07 发布

   2026-07-06
   上下文 128K输入 $4.00 / 百万 tokens输出 $24.00 / 百万 tokens
   • 在 GPT-Realtime-2 基础上改进字母数字识别、静音与噪声处理、打断行为
   • 同时发布蒸馏版 gpt-realtime-2.1-mini，速度更快、成本更低
   • 官方称语音智能体 p95 延迟至少降低 25%