关于gpt-realtime发布的一些说明，它用一个单一的语音输入/语音输出模型替代了链式STT→LLM→TTS（延迟更低，细腻度更丰富）——我认为这是巨大的🔥 在基准测试中（与GPT4o-realtime相比）： > 在BigBench（推理）上得分82.8% vs 65.6% > 在MultiChallenge Audio（指令跟随）上得分30.5% vs 20.6% > 在ComplexFuncBench（函数调用）上得分66.5% vs 49.7% 收益包括改进的韵律、音调控制、非语言和字母数字准确性，以及多语言切换 Realtime API现在GA，支持SIP电话、图像输入、MCP工具集成 所有这些的API费用降低了20%——相当不错（尽管我认为仍然有点贵）