GPT-Realtime-2上線！全球AI巨頭加碼，語音一夜成了AI圈香餑餑

2024 年 2 月，OpenAI 發布了 Sora。這個能生成視頻的 AI 模型用極短的時間改寫了移動互聯網時代的內容創作方式，甚至連迪士尼都曾計劃為此注資十億美元，并計劃在 Sora 2 中引入自己的核心影視 IP。但就在 26 年 3 月，OpenAI 宣布關閉 Sora，相關 API 也會在 9 月停止提供。

對此，OpenAI 的解釋是「將計算資源重新分配至核心企業產品」。

那到底是怎樣的產品值得 OpenAI 不惜「壯士斷腕」呢？剛剛過去的四月里，OpenAI 先后發布了 GPT-Image 2.0、GPT-5.5 等新服務。5 月 7 日，OpenAI 也乘勝追擊，接連上線了 GPT-5.5 Instant 和今天我們要談的重點——GPT-Realtime-2 系列模型。

GPT RT2讓 AI 像真人一樣說話

簡單來說，GPT-Realtime-2（簡稱GPT RT2）是一個全面優化 AI 語音能力的模型系列，包含原版（GPT-Realtime-2）、翻譯（GPT-Realtime-Translate）和轉錄（GPT-Realtime-Whisper）三個分支。其中 GPT-Realtime-2 具備 GPT-5 級別推理能力，開發者甚至可以自定義模型的推理深度，在準確性、時效性和算力成本之間找到自己的平衡。

圖片來源：OpenAI

而這些新技術的目的有且只有一個——讓 AI 能像真人一樣說話。

我知道，其實現在不少 AI 模型在 TTS 音色上已經和真人非常接近了，大家平時接到的運營商、銀行的騷擾電話，十有八九就是 AI 打出的，在通話的「全損音質」下，想分清對方是真人還是 AI 確實有點難度。

但只要我們一張嘴，這些 AI 客服就會馬上露餡，在雷科技看來，這種 AI 語音模型和真人的能力差距，主要體現在復雜任務處理能力上。以一個經典笑話舉例：

下班路上買一個西瓜，如果看到蘋果，就買兩個。

沒有推理能力的 AI 會按照自己的想法把「就買兩個」的對象當成西瓜或蘋果；而有推理能力的 AI 會發現這是個有歧義的病句，反過來要求用戶給出更清晰的要求。再舉一個例子：你要求車機「折疊副駕駛位，打開零重力模式」時，車機是否能主動推理出你要打開零重力模式的，其實是副駕駛后排的座位呢？

而 GPT-Realtime-2 的出現，就給 AI 帶來了真正理解用戶需求的能力。

除此之外，GPT-Realtime-2 的平行工具調用（Parallel tool calls）可以一次拉起多個組件，以響應用戶的復雜語音指令；GPT-Realtime-Whisper 可以以近乎實時的速度把語音轉寫成文檔，讓「實時字幕」成為可能；GPT-Realtime-Translate 的同步翻譯功能可以在對方還在說話時直接生成語音譯文，效率堪比同聲傳譯。

圖片來源：OpenAI

毫不夸張地說，GPT-Realtime-2 的出現，很有可能會改變未來 AI 的交互方式，讓語音交互取代文字，成為未來日常 AI （非工作等生產力 AI）的主要交互模式。

「老登」習慣打字，年輕人愛動口？

但話又說回來，在語音交互賽道上發力，其實是近幾年 AI 賽道的共識了：

5 月 7 日千問 PC 端上線 AI 語音輸入，用極強語義解析能力打造了可以用于工作場景的 AI 用例，在此之前，豆包、Claude、ChatGPT、Gemini等AI均已支持桌面語音模式，允許用戶用嘴與AI交互，包括編程；4 月 27 日影石 Insta360 聯手字節跳動 AI 編程平臺 TRAE 推出了適用于 Vibe-Coding 的領夾麥克風；4 月 23 日涂鴉在全球開發者大會上發布了 PVAD 自訓練模型和 TTS增強引擎，提出了 LUI（語言交互界面，與圖形交互界面 GUI 對應）的概念。

甚至在就在今天，馬斯克也在 X 上為 xAI 的打造的Grok Voice Think Fast 1.0 語音助手宣傳造勢。

圖片來源：X

那為什么 2026 年的 AI 戰場會落在語音交互界面上呢？OpenAI CEO Sam Altman 就提到了一個觀點：

順便提一句，年輕人似乎更喜歡通過語音與 AI 互動，而老年人以及中間年齡段的人更喜歡打字。我想知道這會不會改變。

在雷科技看來，這一現象背后不僅是習慣問題，也是年輕人與中年人思維模式的差異。對于在全時在線、觸屏環境中長大的 00 后、10 后（以及誕生于語音交互時代的 20 后）來說，鍵盤帶有濃厚的「班味」，除了打游戲外幾乎不會碰。

圖片來源：X

順著這個角度想，在過去 20 年里，鍵鼠組合高效、精準的輸入方式為 PC 的生產力工具的身份打下了基礎，但也限制了我們「必須在電腦前才能工作」。而 LUI 的出現改變了這個刻板印象：起身接杯水也好、下樓透氣也好，甚至只是癱在椅子上思考時，AI 都能通過我們的「只言片語」跟上我們的思維，讓靈感隨時在線。

事實上，語音輸入「有效信息含量低」的特點，也確實只有 AI 可以解決。以千問今天上線的 PC 端上線 AI 語音輸入為例，雷科技簡單體驗了一下。除了基礎的語音輸入外，千問 PC 語音輸入還可以自動過濾掉說話過程中那些沒有意義的語氣詞、填充詞。

比如在輸入圖中這個需求時，我幾乎在每一個停頓處都加入了大量的「呃」「就是」，千問也能直接過濾掉。

圖片來源：雷科技

不可否認的是，在辦公室等公共場所使用語音輸入，多少會對其他同事產生影響。但 AI 語音能力的提升，確實讓語音輸入在工作場景也具備了「實用性」，如果你像年輕人一樣說話跳脫、思如泉涌、「腦子比嘴快」，又或者喜歡用語音輸入，那千問的語音輸入功能對你確實很有幫助。

從這個角度看，擁抱語音交互，本質上是 AI 巨頭們在搶占這些年輕用戶的市場。誰能把語音交互做穩，誰就能壟斷這些年輕人碎片化時間的「交互主權」。

其實這種迎合下一代使用習慣，超前建立用戶粘性的做法也并非新鮮事，MacBook Neo、Chromebook、iPad 等電子產品在海外燒錢發力教育市場，背后也是同樣的邏輯。

只不過在雷科技看來，除了面向下一代的超前布局外，AI 巨頭不約而同發力 LUI，背后還有別的推動力：LUI 和 AI 的的終極目標一致，都帶有「永遠待命、隨時可用」的屬性。

文字界面（TUI、命令行）也好、圖形界面（GUI）也罷，經過多年的發展，這類視覺交互能覆蓋的場景早已到頭。但在開車、鍛煉、下廚、洗澡這些「手腳被占用」的場景里，語音交互的價值仍未被完全挖掘。

以最常見的駕駛場景為例：為了填補實體按鍵缺失帶來了交互空白，國內新能源品牌早已在 LUI 語音交互界面上發力；對著車機下超長復雜指令，也成為了大家體驗智能座艙時的保留節目。

作為回應，不少車企也開始與頭部 AI 企業合作，利用外部的語音大模型完善智能座艙的體驗。比如在去年的廣州車展上，不少車企就向雷科技透露自己的車機「融入了豆包」的能力。

圖片來源：雷科技

可以說，在 AI 市場風起云涌的 2026 年，哪家 AI 企業能搶先完善 AI 語音，帶領行業從 GUI 交互走向 LUI，誰就能搶先一步吃上「新的蛋糕」。

語音成了AI硬件交互的入口

即使我們拋開 LUI 這種長遠命題不談，從用戶、智能硬件的角度來看，語音交互其實也是加速 IoT 設備轉型為 AIoT 設備的捷徑。

以往的智能硬件要變「聰明」，需要堆屏幕、堆算力芯片。而 AI 語音對設備端的硬件要求極低，一個用來收音的麥克風、一個處理音頻數據的計算模塊、一個用于跑端側模型的算力平臺（這個對部分 AI 硬件來說甚至是可選項）再加上最基本的網絡連接能力，任何一個曾經不起眼的 IoT 產品，都能搖身一變成為 AIoT 硬件。

圖片來源：雷科技

為雷科技報道海外展會和高管群訪立下汗馬功勞的釘釘 A1 錄音卡就是最好的例子。過去雷科技也試過不少智能錄音設備，甚至買過運行端側本地模型的智能錄音筆。但受模型能力限制，這類「智能錄音筆」效果通常都不盡如人意。

不過釘釘 A1 就沒有這個問題了：手機里裝著完整的大模型，能以近乎同步的速度輸出翻譯結果。而把轉寫、翻譯的任務交給手機后，A1 里的端側小模型也能將更多的資源用在語音拾取、降噪等方面，從源頭優化錄音效果。

在錄音、轉寫、翻譯這三大功能外，釘釘 A1 錄音卡也充分發揮了 AI 智能體的能力，可以將錄音內容直接轉化為符合標準格式的會議記錄、待辦事項，甚至可以在基礎上對內容進行二次深度理解。

而從產品多樣性的角度看，除了給傳統 IoT 設備「賦能」外，AI 語音交互的出現甚至催生了不少 AI 新概念產品。像科大訊飛就基于其在語音識別領域多年的技術積累，打造了包括 AI 翻譯機、AI 墨水屏辦公本、會議耳機、AI 眼鏡甚至是 AI 鍵盤、AI 鼠標等產品。

盡管產品品類繁多，但按照其對 AI 技術的應用，雷科技認為這些 AI 產品依舊有一條橫跨品類的「主線」——用語音 AI 豐富硬件的交互方式，從而優化產品的體驗。

圖片來源：訊飛

以訊飛的 AI 辦公本為例，受限于像素響應時間，電子墨水屏設備天然就不適合鍵盤輸入。用過 Kindle 的朋友應該對 Kindle 連 Wi-Fi、打密碼的流程深有體會。這種輸入手段的缺失讓電子墨水屏設備長期以來只能當作單純的「顯示設備」，不具備真正的辦公能力。

但 LUI 的出現改變了電子墨水屏「只有輸出沒有輸入」的局面：訊飛星火大模型的外語和方言識別能力，解鎖了電子墨水屏的輸入能力，讓墨水屏從「顯示器」真正升級成了「辦公本」。搭配圖片理解等多模態輸入能力，訊飛早已將電子墨水屏設備打造成了「全能辦公設備」。

可以說，無論從產品、用戶還是 AI 供應商的角度看，語音交互對 AI 的重要性都毋庸置疑。

中國AI的優勢：更會聽/說中文

另外，發力 AI 語音交互對國內 AI 巨頭來說，其實還有另一個意義——中國的 AI 公司，天生更懂中文。

按第一語言（母語）來算，中文是世界使用人數最大的語言；按照總使用人數（母語+第二語言）來計算，中文是世界使用人數第二大的語言。

可能有人認為「懂中文」只對國內用戶有意義，上升不到國際角度，但事實并非如此。雷科技前段時間去美國舊金山參加了追覓的發布會，更早之前也在巴塞羅那、柏林等非英語城市參與了海外展會的報道。

就雷科技的所見所聞而言，大量一代移民即使身處海外，也只會說中國話（主要為粵語）。很多上年紀的華人即使在溫哥華、舊金山、巴塞羅那、墨爾本等移民城市生活多年，依舊過不了最基本的入籍語言關。

很顯然，他們也有使用 AI 的需求，甚至對于不會打字的老人群體來說，語音交互是他們使用電子產品的唯一手段。但無論 Google 的 Gemini、OpenAI 的 ChatGPT 或 xAI 的 Grok，其對中文語音的支持都相當有限。以 ChatGPT 為例，過年策劃主流 AI 助手中文和方言支持時，雷科技就發現 ChatGPT 并不能穩定、持續輸出廣東話，說著說著就會自動切換回英語。

對 ChatGPT、Gemini、Grok 來說，「說中文」是個不小的挑戰；但對豆包、千問、Kimi、訊飛等國內 AI 服務來說，這恰恰是「與生俱來」的優勢。

圖片來源：豆包

相比英語，中文存在大量的倒裝、省略以及「只可意會」的潛臺詞。再加上中國龐大的方言體系，廣東話、四川話、東北話……每一個方言背后都是一套獨立的文化邏輯。海外巨頭的大模型雖然能翻譯中文，但在處理帶口音的口語、特定語境下的俚語時，往往無從下手。

而這恰恰為豆包、千問、訊飛等國內頭部品牌建立了天然的護城河。像剛剛提到的千問 PC 端語音輸入能力，甚至可以對語音素材進行規整，精準找到用戶語音中的重點，不需要用戶「意思意思」。前幾年，商湯甚至還推出了首個面向粵語用戶的 AI 服務「日日新」。

不可否認，無感 AI 交互是一切 AI 服務的終極目標。但在這種主動感知 AI 交互普及之前，語音依然是最高效、最直接的橋梁。國內 AI 行業通過死磕中文和方言，實際上也換來了「海外華人」這一被海外 AI 巨頭長期忽略的用戶群體，找到了一條躋身世界頭部品牌的快車道。

2026 年，AI 競爭邏輯已經倒轉：以前的 AI「需要人學」，現在的 AI「拼命學人」。隨著語音交互、LUI 等概念的普及，那個對著輸入框摳字的日子，真的該翻篇了。