新用戶 免費註冊,送 10 次呼叫,最高 $1,免綁卡。

GPT Realtime

發布於 2025-08-28

邀請制測試

GPT Realtime 是 OpenAI 第一款正式發布的即時模型:一款單一的語音對語音模型,直接以自然、有表現力的音訊聆聽與回應,而不是串聯獨立的轉寫與合成模型。

輸入
音訊 文字 $4/M
輸出
音訊 文字 $16/M
音訊輸入
$32/M
音訊輸出
$64/M
快取讀取
$0.4/M
知識截止
2023-10

Benchmark 成績

GPT Realtime:公布了 8 項,但沒有一項是足夠多的其他模型也測過的,無法比較。

GPT Realtime 其他被測模型 同儕均值 無人分數更高
AMI near+far field (WER)
35.9%
Big Bench Audio
82.8%
BFCL v3 (single-turn, python only)
80.4%

廠商公布: Amazon OpenAI

價格在同類中的位置

價格在 6 個同類模型中的位置

輸入$4/M
$0.06 · nova-2-sonic GPT Realtime · $4
輸出$16/M
$0.24 · nova-2-sonic GPT Realtime 2.1 · $24
快取讀取$0.4/M
$0.06 · GPT Realtime 2.1 Mini GPT Realtime · $0.4

這條線顯示該模型的價格,在 Synthorai 上同類模型裡處於什麼位置。兩端標出了最便宜和最貴的那個。這裡是基礎價,批次、區域與快取寫入的折扣見價格頁。

規格與限制

Token

上下文視窗(廠商規格) 32,000
最大輸出(廠商規格) 4,096
知識截止 2023-10

提示詞快取

快取方式 自動
最低前綴 1,024
存活時間 5–10 分鐘,最長 1 小時

即時語音

工作階段能力 透過 WebSocket 的原生語音到語音 · 函式呼叫 · 32K 上下文

模型

模態 音訊 + 文字 → 音訊 + 文字
  • OpenAI 首個正式發布的即時模型(快照 gpt-realtime-2025-08-28):原生語音到語音,支援函式呼叫
  • 32k 上下文

依據 OpenAI 官方文件 ↗

30 秒用上 GPT Realtime

相容 OpenAI Realtime:透過 WebSocket 連線,音訊進、音訊出。WS /v1/realtime

import asyncio, base64, json, websockets

URL = "wss://synthorai.io/v1/realtime?model=gpt-realtime"
# Send ONLY the Authorization header - the beta protocol is retired.
HEADERS = {"Authorization": "Bearer sk-syn-..."}

async def main():
    async with websockets.connect(URL, additional_headers=HEADERS) as ws:
        # 1) configure the speech-to-speech session
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "type": "realtime",
                "output_modalities": ["audio"],
                "audio": {"output": {"voice": "alloy"}},
            },
        }))
        # 2) send input audio (base64 PCM16), then request a spoken reply
        await ws.send(json.dumps({"type": "input_audio_buffer.append", "audio": pcm16_b64}))
        await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
        await ws.send(json.dumps({"type": "response.create"}))
        # 3) stream the model's audio (and text) back
        async for raw in ws:
            ev = json.loads(raw)
            if ev["type"] == "response.audio.delta":
                play(base64.b64decode(ev["delta"]))   # audio out
            elif ev["type"] == "response.done":
                break

asyncio.run(main())

關於 GPT Realtime

  • 它具備 32K token 上下文視窗與 4,096 最大輸出 token,支援面向語音智慧體工作流的函式呼叫,接受音訊或文字輸入並輸出音訊與文字;音訊與文字按各自的單 token 費率計費,並提供折扣的快取輸入。
  • 會話可以透過 WebRTC 驅動瀏覽器與行動用戶端,在伺服器已經持有音訊串流時透過 WebSocket 驅動,或透過 SIP 驅動電話智慧體,並由伺服器端的語音活動偵測切分語音,在來電者打斷時截斷尚未播放的音訊。
  • 模型頁面也把影像輸入與文字、音訊並列,而音色是在每個會話中從 OpenAI 公布的音色集裡挑選的,但要注意一旦會話已經送出音訊,音色就無法再更換。
  • 它沒有推理力度控制(那要到 2.1 世代才出現),知識截止為 2023 年 10 月。
  • OpenAI 此後已宣布它的棄用,關閉時間排定在 2027 年 1 月,並指定 GPT Realtime 2.1 為遷移目標,因此新的語音工作應該放在 2.1 上,而既有整合仍有緩衝期。
  • 它仍以即時家族最初的正式發布快照形式提供。
  • Synthorai 透過 OpenAI 相容的 /v1/realtime WebSocket 端點提供 GPT Realtime,因此官方 Realtime SDK 用戶端無需改動即可連線。

常見問題

GPT Realtime API 可以免費試用嗎?

GPT Realtime 目前處於邀請制測試階段,需申請開通,而非開放註冊。請在 Synthorai 主控台提交申請,審核通過後即依標準的按用量計費方式收費,無需訂閱。

GPT Realtime 最擅長什麼?

單模型語音對語音,無轉寫鏈路、自然富表現力音訊,支援函式呼叫、即時家族最初的 GA 快照。完整能力請見「關於」一節,內容取自廠商官方發布說明。

GPT Realtime 的價格是多少?

在 Synthorai 上,GPT Realtime 輸入 $4/百萬 token、輸出 $16/百萬 token,即廠商牌價,無平台加價。快取命中的輸入 token 以 $0.4/M 計費。

如何呼叫 GPT Realtime API?

GPT Realtime 是語音對話(speech-to-speech)模型:透過 WebSocket 連線 wss://synthorai.io/v1/realtime?model=gpt-realtime,使用 OpenAI Realtime SDK(或原生 WebSocket)即可,音訊輸入、音訊輸出。它不是 POST /v1/audio/transcriptions 檔案上傳介面。以你的 sk-syn key 驗證,只送 Authorization 標頭(beta 協定已下線)。

如何開通 GPT Realtime?

GPT Realtime 處於邀請制測試階段:請在 Synthorai 主控台申請開通。審核通過後,用法與其他模型相同:把 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1",model 設為 "gpt-realtime" 即可。

相關模型

對比

本頁每個值都轉錄自廠商自己的文件(連結見上),並帶有核對日期。價格在全目錄範圍內比較;各廠商定義不同的規格值,只說明差異而不作圖表對比。此處沒有任何由我們測量的資料,也不做評分。

取得 API 金鑰 算算你的成本 →