OpenAI推出GPT-Realtime 2.1系列模型：语音延迟降低25%，定价分层清晰

7月8日，OpenAI发布公告，宣布在其API中新增两款实时语音模型——gpt-realtime-2.1与gpt-realtime-2.1-mini。官方表示，通过优化缓存机制，Realtime语音模型的p95延迟至少下降25%。p95延迟是衡量系统速度的关键指标，表明系统中95%的请求都能在此时间阈值内完成，这一优化意味着语音交互的响应速度将更为稳定可期。

两款模型面向低延迟语音智能体与多模态交互场景设计，在定价层面形成了清晰的分层。gpt-realtime-2.1的文本输入每百万Tokens收费4美元（缓存输入0.40美元），输出24美元；音频输入每百万Tokens收费32美元（缓存输入0.40美元），输出64美元；图片输入每百万Tokens收费5美元（缓存输入0.50美元）。而mini版本则以更具性价比的定位出现：文本输入每百万Tokens仅需0.6美元（缓存输入0.06美元），输出2.4美元；音频输入每百万Tokens收费10美元（缓存输入0.30美元），输出20美元；图片输入每百万Tokens收费0.8美元（缓存输入0.08美元）。

能力方面，gpt-realtime-2.1-mini支持实时音频与文本输入，并兼容工具调用与函数调用。该模型可在执行动作前先完成内部推理，并通过口头前置说明保持对话连贯性，适合构建轻量级语音代理。gpt-realtime-2.1则在多个维度上进行了强化，包括字母数字识别、静音与噪声处理、中断处理、指令遵循以及可配置的推理强度。推理强度支持minimal、low、medium、high、xhigh五档调节，默认档位为low，OpenAI建议生产环境中的语音代理从低档起步以平衡响应速度与推理质量。