今夜，语音模型第一次超越人类！OpenAI再现Her时刻，95后华人研究员坐镇

OpenAI于今晨推出两项重要语音技术更新：生产级实时语音处理API与新一代语音到语音模型gpt-realtime。

此次升级通过单一接口直接处理语音输入输出，在音质表现、语义理解及多模态交互能力上实现突破性提升。

Realtime API现支持远程MCP服务器连接与SIP协议通话功能，在保持低延迟特性的同时新增图像输入通道。

开发者可通过该接口直接构建具备视觉理解能力的智能体，在对话过程中处理截图文字识别等复合任务。

全新发布的gpt-realtime模型展现出接近人类水平的语音生成能力：其能精准复述复杂字母数字组合，在多语言切换时保留自然语调变化；

面对”采用快速专业语调”或”模拟法式口音表达”等精细化指令也能出色完成。

经内部测试显示，在西班牙语、中文等语言场景下的字母序列识别准确率较旧版提升超过20%。

技术指标方面： – 在Big Bench Audio推理评测中取得82.8%准确率（旧版65.6%） – MultiChallenge指令遵循测试得分30.5%（旧版20.6%） – ComplexFuncBench函数调用评估达66.5%（旧版49.7%） 此次升级特别强化了异步函数调用机制——当处理耗时操作时模型可维持对话流畅度而不阻塞会话流程。

通过会话配置中的MCP服务器URL设置即可启用工具扩展功能，在不修改代码的情况下快速接入新服务模块。

视觉交互方面新增图像输入通道支持，在实时对话中可融合截图内容实现”请朗读图片中的文字”等场景需求。

SIP协议集成则让应用能无缝接入电话网络与PBX系统完成外拨通话——这与马斯克此前推出的Ani电话功能形成呼应。

为降低开发门槛，OpenAI同步推出可重用提示词系统——开发者可保存包含变量定义与对话示例的标准提示模板，并在多个实时会话中灵活调用复用。

本次更新还引入两位华人技术研究员： Beichen Li专注于计算机图形学与机器学习交叉领域研究，在MIT CSAIL获得博士学位期间师从Wojciech Matusik教授 Liyu Chen此前在南加州大学攻读博士学位期间师从Haipeng Luo教授 这两项创新标志着OpenAI在构建拟人化语音智能体领域迈出重要一步——通过整合多模态感知与自然语言交互能力，在医疗预约安排、房产筛选等实际场景中实现端到端服务闭环。（参考链接已省略）