OpenAI：发布 GPT-Realtime-2，把 GPT-5 级推理带进语音 Agent

产品是什么

GPT-Realtime-2 是 OpenAI 将大语言模型推理能力直接嵌入语音交互链路的尝试。它的核心卖点是把原本需要「语音→文字→LLM→语音」四步走的pipeline，压缩为端到端实时推理——模型在接收音频流的同时完成语义理解和生成响应，理论上可以显著降低延迟并减少信息损耗。

同期发布的两款辅助模型各有分工：GPT-Realtime-Translate 定位流式翻译，据称支持多语种实时互译；GPT-Realtime-Whisper 则是一款基于 Whisper 改进的转写模型，OpenAI 声称其在低信噪比环境下的 WER（词错误率）有所优化。

解决什么问题

当前语音 Agent 的主流瓶颈在于延迟和上下文连贯性。多数产品依赖转录→LLM→合成的串联链路，端到端延迟往往在 1.5-3 秒之间，用户体验接近「对讲机」而非「对话」。GPT-Realtime-2 的端到端架构若属实，可以在单模型内完成意图识别→推理→话术生成，有望将延迟压至 500ms 以下。

另一个痛点是复杂推理在语音场景中的落地。现有方案中，用户要求模型做多步骤推理（如行程规划+比价+风险提示），文字模型表现良好，但语音链路会因为中间结果无法顺畅表达而断裂。G