OpenAI近日正式发布新一代语音模型GPT-realtime。作为专注于语音AI智能体的多模态系统，该模型能够生成极具自然感和流畅度的语音输出，精准复现人类语言中的语调起伏、情感层次和语速动态变化，同时具备图像理解能力，支持与语音或文本对话结合使用。

GPT-realtime可广泛应用于客服、教育、金融、医疗等多个行业，帮助构建高完成度的语音交互智能体。据官方介绍，该模型在多项核心能力上表现突出：不仅能高度遵循复杂指令、精准调用外部工具，还可生成更自然且富有表现力的语音。其在重复字母与数字、逐字朗读法律声明、跨语言语句无缝切换等挑战性场景中，展现出卓越的适应性。

值得关注的是，GPT-realtime具备强大的上下文理解能力，可敏锐捕捉笑声等非语言线索，实时动态调整语音语气，实现如“带法国口音的友好声调”或“语速较快的专业表达”等多样化风格切换。

此次更新还引入了“Cedar”和“Marin”两种全新语音风格，并对既有的八种语音模式进行了全面优化，进一步丰富了语音输出的表现层次与适用场景。