GPT Realtime Whisper 是 OpenAI 在 Realtime API 中提供的流式语音转文字模型，主打边说边出字、低延迟转录以及与语音 Agent、摘要、翻译和工具调用链的实时协同。

GPT Realtime Whisper

核心参数与统计

【一句话简评】：它不是把 Whisper 搬到实时场景里这么简单，而是 OpenAI 把“转录结果立刻进入工作流”做成了默认能力。

【宣传核验】：官方把它定义为 streaming speech-to-text，强调 people speak 时就能 transcribe。这个宣传是可信的，因为官方整篇发布都在围绕实时语音链路重新设计产品，而不是把离线转录硬包装成实时功能。它切中的核心痛点，是传统语音转写要先录完再识别，导致字幕、笔记和后续动作都滞后。

项目	公开信息
发布日期	2026-05-07
接入位置	Realtime API
定价	0.017 美元/分钟
适合链路	实时字幕、会议记录、客服、医疗、销售、语音 Agent
官方能力描述	边说边转录、低延迟、可直接进入业务工作流
数据与合规	支持 EU Data Residency，受企业隐私承诺覆盖

专家视点：真正有价值的不是“转得快”，而是“快到能直接触发后续动作”。当转录结果能在会话进行中就送进摘要、质检、翻译、待办提取甚至工具调用，这类模型的定位就不再是 ASR，而是实时语音工作流的入口层。

用户与市场认可

OpenAI 没有公开这个模型的独立用户量，但它被放进 Realtime API 正式发布主线，并与 GPT-Realtime-2、GPT-Realtime-Translate 一起推出，本身就是最强的产品级背书。它不是某个边缘实验，而是 OpenAI 实时语音栈的三大模型之一。

用户与市场认可：官方发布还明确举了会议、课堂、广播、活动、客服、医疗、销售和招聘等场景，说明其目标客群不是“做 demo 的开发者”，而是要覆盖真实高频通话和语音交互系统。

宣传核验：如果从“是否取代所有专业 ASR 系统”来看，这个命题还过大；但从“是否能成为实时语音应用的默认转录层”来看，它已经具备很强吸引力，特别是对本来就在 OpenAI 栈上的团队。

隐性收益：企业过去常把实时转录、总结、翻译和语音 Agent 拆成多套服务。现在如果本来就使用 OpenAI，至少在集成复杂度上会明显下降。

成本优势

免费的真相：没有免费层神话。官方明牌价格是 0.017 美元/分钟，这个价位对“实时字幕、客服监听、直播转录”很友好，但对海量录音长期归档场景，仍然需要认真算分钟数和并发峰值。

成本层	公开情况	实际含义
C 端/个人	无独立消费者套餐	更适合作为开发者能力，而不是独立消费 App
开发者/API	0.017 美元/分钟	对实时语音产品很有吸引力，预算模型容易估算
企业	企业隐私承诺EU 数据驻留	采购时还要看并发、日志、留存和合规策略

隐性成本：真正的成本不只在识别分钟数，还在麦克风质量、降噪、回声消除、传输稳定性和后处理链路。一旦音频源很脏，再便宜的模型也会把错误放大到下游系统里。

隐性收益：相比“先录后传后识别”的旧链路，它能把会议笔记、客服质检、实时字幕和语音 Agent 的响应节奏拉到同一时钟上，这会直接缩短业务动作延迟。

主要功能

• 流式实时转录：说话过程中持续输出文字，而不是录完再出整段结果。
• 与 Realtime API 共栈接入：可和 Realtime 语音模型、翻译能力、工具调用链一起工作。
• 持续长音频识别：适合会议、课堂、直播和呼叫中心等长时场景。
• 转录结果即刻进入流程：可实时接摘要、提待办、做质检和关键词监控。
• 多业务场景复用：发布文案中已覆盖会议、客服、医疗、销售、招聘等应用。

专家视点：这组功能最隐藏的协同点，是“转录”被压缩成了中间态而不是终点。它产出的文字不是给人读完就结束，而是给后面的模型和系统继续用。

模型与版本演进

OpenAI 当前公开的版本脉络不是传统语义化版本，而是产品里程碑式推进，因此更适合按发布时间和能力主线来理解。

发布主线

launch-2026-05-07：Realtime API 新一代语音模型发布时，GPT Realtime Whisper 被正式公开，定位非常明确，就是低延迟 streaming transcription。

历史脉络

realtime-transcription-preview：在正式发布前，OpenAI 的实时语音主线已经围绕转录、翻译、实时语音推理形成统一方向。虽然没有单独公开精细版本号，但可以看作该能力进入正式产品化前的里程碑阶段。

当前限制：官方公开页更强调能力和场景，而不是详细 changelog，所以稳定性验证依然需要自己跑目标场景音频样本来确认。

技术优势

GPT Realtime Whisper 属于【基础大模型 / API 基础设施】类型。

性能与吞吐：官方没有公开 TTFT、并发上限RPM 或 TPM 数字；已公开的是它以分钟计费，并作为 Realtime API 的实时流式转录模型提供。延迟表现被官方作为核心卖点，但具体数字以官方实时文档和账户限额为准。

机制 -> 效果 -> 场景：

实时流式解码：效果是字幕、纪要和语音 Agent 能边听边动，不必等句尾。适合直播字幕、客服和会议记录。

与 OpenAI 实时语音栈同栈协同：效果是转录、翻译、推理和工具调用更容易共用一个会话上下文，适合跨语言客服和任务型语音 Agent。

企业数据与隐私承诺：官方明确支持 EU Data Residency，并纳入企业隐私承诺，适合对数据地域和治理有要求的组织。

适配边界：它最适合对实时性敏感的 spoken workflow；不适合拿来替代那种追求极致离线批处理成本或超深后期修订的传统大批量音频转录流水线。

如何使用

OpenAI 已明确该模型可在 Realtime API 中使用，并支持 WebRTC、WebSocket 或 SIP 相关实时链路。

const session = {
  model: "gpt-realtime-whisper",
  modalities: ["audio", "text"]
};

说明：官方发布页已明确模型名为 gpt-realtime-whisper，并说明它可在 Realtime API 中使用；具体连接方式、事件格式和会话参数以 OpenAI Realtime API 官方文档当前版本为准。

典型接入步骤：

1. 创建 Realtime API 会话并指定模型。
2. 用 WebRTC 或 WebSocket 持续上传音频片段。
3. 在前端或业务系统中接收增量文本。
4. 将文本立刻送去摘要、待办提取、翻译、质检或 CRM 记录。

人机协作边界：低风险场景可高度自动化；但医疗问诊记录、法务沟通、重要销售承诺等高风险内容，仍然必须保留人工确认点。

产品定价

公开价格：0.017 美元/分钟。

C 端/个人：没有单独消费者产品定价，更适合作为开发能力嵌入应用。

开发者/API：这是最容易算账的一层，按分钟计费对实时字幕和会议记录非常友好。

企业：要把分钟价格和并发峰值、保存时长、日志治理、地域合规、语音后处理一起核算。

免费的真相：分钟价格便宜，不等于总拥有成本低。只要你把它接进客服、会议和直播系统，真正的大头很可能来自系统工程，而不是识别本身。

应用场景

• 会议实时纪要：边开会边出文字，会议还没结束就能提待办和关键决策。
• 直播与课堂字幕：降低字幕延迟，提升可访问性和实时理解体验。
• 客服通话质检：实时抓关键词、异常情绪与合规问题，不再等事后抽检。
• 医疗与销售记录：把 spoken interaction 更快转进结构化系统。

降维打击场景：需要“音频一进来，系统就开始干活”的场景，用它的价值非常直接。

当前限制：如果上游音频有境很差、多人抢话严重或领域术语极重，实时链路仍然会有误识别和纠偏成本。

适用人群

• 实时语音产品团队：需要字幕、纪要、转录与后续动作联动。
• 客服与联络中心平台：对通话质检和实时辅助要求高。
• 会议与协作产品团队：想把语音记录和摘要做成原生能力。

劝退场景：

• 只追求最低离线批量转录成本的人：实时模型的价值不是极限低价，而是低延迟。
• 没有音频工程能力的团队：回声、降噪、设备兼容性会直接影响最终效果。
• 把转录结果当 100% 法律文本的人：高风险场景必须保留人工复核。

总结与展望

GPT Realtime Whisper 的真正看点，是让语音转录从“整理资料”升级成“驱动实时业务流程”。一旦语音内容在说出来的当下就能被记、被翻、被审、被用，实时转录的产品形态就和传统 Whisper API 完全不是一个层级。

【采购/采用风险评估】：若团队已经使用 OpenAI 生态，它会显著降低实时语音产品的组装成本；但上线前仍需重点验证目标行业术语准确率、地域合规、并发峰值与下游工作流容错。真正该关注的不是单分钟价格，而是“整条语音业务链是否因此更快、更稳、更少人工补救”。

相关工具：ElevenLabs、Udio

版本信息

• GPT Realtime Whisper Launch ：OpenAI 在 “Advancing voice intelligence with new models in the API” 中正式公布该流式转录模型，并纳入 Realtime API 可用模型列表。 （2026-05-07）
• Realtime Transcription Preview Milestone ：在正式发布前，Realtime API 已围绕语音模型、翻译与转录形成统一语音栈；暂无官方精确日期。 （~2026-05）