2026 年 5 月 7 號的下午，OpenAI 沒開發布會、沒搞直播，只是在自家部落格放了一句不太搶眼的新聞：「Realtime API 正式 GA。」
這句話底下藏了三個新模型：GPT-Realtime-2、GPT-Realtime-Translate、GPT-Realtime-Whisper。
三個一起發。一個會推理的語音模型，一個 70 種語言即時翻成 13 種輸出，一個邊聽邊把語音變成逐字稿。三個模型都能透過同一條 WebRTC 連線同時跑。
定價那一欄更狠。翻譯一分鐘 0.034 美金（約台幣 1 塊出頭），轉錄一分鐘 0.017 美金（約台幣 5 毛）。同聲傳譯這個職業，今天被加快了一個維度。
我先把使用情境拆開講，再回頭看為什麼這次發布悄無聲息——但對普通人的衝擊，比上次 GPT-4o 語音模式還要直接。
三個模型在做什麼，用一句話分清楚
OpenAI 這次的命名套路有點亂，因為三個模型字尾各不相同。我用最簡單的對照表先讓你記住誰是誰：
| 模型 | 一句話定位 | 核心能力 | 定價 |
|---|---|---|---|
| GPT-Realtime-2 | 會推理的語音助理 | GPT-5 級推理、128K 上下文、5 級推理深度可調、可被打斷後接回去 | $32 / 1M 音訊輸入 token，$64 / 1M 音訊輸出 token |
| GPT-Realtime-Translate | 口譯機 | 70+ 種輸入語言 → 13 種輸出語言，邊講邊翻 | $0.034 / 分鐘 |
| GPT-Realtime-Whisper | 逐字稿機 | 邊講邊轉文字，串流輸出 | $0.017 / 分鐘 |
三個模型的共通點是「即時」——不再是你講完一段話、等模型想 2 秒、再回應，而是講話過程中模型就在處理。OpenAI 內部把這叫做「半雙工 → 全雙工」的跳變。對使用者來說，差別就是「可以正常對話」跟「對著機器人說話」。
GPT-Realtime-2：把 GPT-5 的腦塞進語音這條線
之前的語音模型有個尷尬點：你要是問它一個需要思考的問題（「幫我比較這三家券商的手續費」），它會給你一個聽起來流暢但其實亂編的回答。原因是過去的語音模型為了搶反應速度，沒接到推理層。
GPT-Realtime-2 把這條線打通了。官方規格給了幾個我比較在意的細節：
- 128K token 上下文——一場 2 小時的會議全部塞得進去，後續還能問「主管說的第三個 KPI 是什麼？」
- 5 級可調推理深度——簡單的閒聊用第 1 級反應快，要做決策時切第 5 級讓它多想 2 秒。對話不卡頓的同時也不犧牲品質。
- 音色控制——同一個模型可以講多種音色，不用切模型。
- 並行工具呼叫——它在跟你講話的同時，可以背地裡同時查資料、發 API、寫日曆。
- 打斷後可回復——你中途插話糾正它「等等，我說的是 ETF 不是個股」，它能接回原本要講的話而不是整段重來。
定價這邊比較細：$32 / 1M 音訊輸入 token、$64 / 1M 音訊輸出 token。乍看貴，但有 cache token 機制，重複的對話 prompt 部分只算 $0.40 / 1M，實際跑長對話的成本會低很多。
我自己的測試感受是，這個模型最大的價值不是「比上一代強多少」，而是它讓「語音優先」的應用第一次變得實用——以前你會勉強用語音輸入做 demo，現在你會願意用語音當主要介面。
GPT-Realtime-Translate：每分鐘 0.034 美金的口譯
這個模型對非工程師讀者衝擊最大。直接把場景說一次：
你戴著耳機，跟一個只會講越南語的人面對面坐著。他講一句越南語，你的耳機 0.5 秒後傳出中文。你回一句中文，他那邊耳機 0.5 秒後傳出越南語。整段對話你不用按任何按鈕，也不用等對方講完才能聽翻譯。
這不是科幻場景，是 OpenAI 5 月 7 號之後任何一個開發者都能在一個下午內做出來的東西。70 種輸入語言→13 種輸出語言，每分鐘 0.034 美金。一小時 2 美金多，比點一杯星巴克便宜。
跟過去的同聲傳譯比一次：人類同聲傳譯一場 2 小時的會，行情在台幣 1 萬 5 到 3 萬之間。GPT-Realtime-Translate 同樣 2 小時：4.08 美金，約台幣 130 元。
對誰最有感？我列幾個我自己想得到的場景：
- 跨語直播主——觀眾用 5 種語言留言，主播用中文回覆，每個觀眾耳機聽到自己語言的回覆。互動成本歸零。
- 跨境客服——東南亞客戶打電話進來，客服是台灣中文母語人員，雙邊耳機都聽得到自己語言。一個客服可以服務 13 個語區。
- 會議即時翻譯——跨國商務會議直接開，不用排同聲傳譯，會後自動轉逐字稿（搭配 Whisper）。
- 跟外國親戚聊天——這是被忽略的家庭場景。父母不會英文，孫子在美國，視訊靠它。
13 種輸出語言目前是哪些？OpenAI 還沒公開完整清單，但行業媒體 MarkTechPost 的整理提到主流商業語言（英、中、西、法、德、葡、日、韓、阿、印尼）幾乎全部覆蓋。輸入端 70+ 種就涵蓋幾乎所有亞洲跟歐洲語言。
GPT-Realtime-Whisper：把錄音轉文字的成本壓到一杯飲料的零頭
Whisper 這個品牌大家不陌生，過去兩年很多 AI 工具底層用的就是它。這次新版的關鍵字是「即時串流」——不是錄完一整段再轉檔，而是邊講邊出字。
定價 $0.017 / 分鐘。換算一下：
- 1 小時錄音轉字 = 1 美金（約台幣 32 元）
- 10 小時錄音 = 10 美金
- 對比：傳統人工逐字稿一小時 1,500 到 3,000 台幣
對誰有用？最直接的是 podcast 創作者、YouTuber、會議紀錄這三條線。Tony 自己也在用——之前我每週訪談一輪聊投資的朋友，2 小時音檔丟給人工逐字稿是 4,000 元，現在 2 美金搞定。
但別對它有不切實際的幻想：專有名詞的轉錄錯誤率還是有，特別是台灣口音的中文夾雜英文金融術語（什麼 ETF、AGI、yield farming），它偶爾會聽錯。我的建議是把 Whisper 的輸出當「90% 完成的草稿」，不是「直接交件的成品」。
跟競品比一次：Google、Anthropic、Deepgram
語音 AI 這條賽道過去一年很擁擠，OpenAI 不是唯一玩家。我把目前主流的選項放在同一張表上比一次：
| 方案 | 會推理嗎 | 即時翻譯 | 即時轉錄 | 每分鐘成本（轉錄） |
|---|---|---|---|---|
| OpenAI Realtime API（5/7 GA） | ✅ GPT-5 級 | ✅ 70→13 語言 | ✅ 串流 | $0.017 |
| Google Gemini Live | ✅ Gemini 2 級 | ⚠️ 需自串 | ✅ 串流 | $0.025 |
| Anthropic Claude Voice（仍 beta） | ✅ Sonnet 級 | ❌ 沒原生支援 | ⚠️ 需外接 | — |
| Deepgram Nova-3 | ❌ 純轉錄 | ⚠️ 拼接式 | ✅ 串流 | $0.0058 |
結論寫在前面：純轉錄需求 Deepgram 還是最便宜，要對話加推理 OpenAI 這次跳出來最完整，要免費自架 Gemini Live 是後備方案。Anthropic 的 Claude Voice 還在 beta，不是主流選項。
對哪些工作有真實的衝擊？我列三個方向
這部分我不打算迴避——這次發布之後，有些工作的時薪會被腰斬。但我也不想複製坊間「AI 取代某某職業」的標題黨論調，所以我把感受講清楚：
1. 同聲傳譯。短期內高端會議（外交、頂級商務談判）人類還是首選，因為這些場合容錯率為零。但中低階會議、跨境直播、客服場景，2026 下半年會大量切到 AI。從業者要嘛上移到「客戶需要『一個真人在場』」的高端定位，要嘛下移成「AI + 校稿」的混合工作流。
2. 逐字稿員 / 會議紀錄員。這個職業被衝擊得更直接。一小時 1 美金的成本之下，這條線基本上只剩「校稿」這個環節。建議轉型方向是「轉成資料整理 + 重點摘要」這種需要判斷力的角色，而不是純粹的打字。
3. 客服。這條最複雜。語音 AI 已經能處理 70% 的常見問題，但「需要情緒共鳴」「需要破例授權」的情境還是需要人。客服這個職業不會消失，但「規模會被壓縮」——一個客服中心可能從 100 人精簡到 30 人 + 一套 AI 系統。
我的觀察是，這次的衝擊跟以前 ChatGPT 出來不一樣。ChatGPT 衝擊的是「文字工作」，但很多人對文字 AI 還是有心理距離（要打字、要進網頁）。語音 AI 衝擊的是「人對人對話」這個原本被認為最不可替代的場景，而且使用門檻是「戴上耳機」。心理距離比 ChatGPT 短得多。
散戶投資者的相關 watchlist（不是投資建議）
講了這麼多技術細節，回到 Tony 的散戶讀者最在意的問題：這次發布對股市有沒有相關 ticker 值得追？我列幾個方向，純粹是觀察清單，不是叫你去買：
- NVDA（NVIDIA）——語音模型推理算力的最大受益方，這條線跟之前任何一次大廠語音發布都一樣。
- MSFT（微軟）——OpenAI 主要金主、Azure 是 Realtime API 的部署平台之一。每次 OpenAI 發新模型微軟基本都跟漲。
- 傳統電話客服外包股（Concentrix CNXC、TaskUs TASK）——這條線值得反向觀察，看市場怎麼定價「客服自動化」的衝擊。
- 翻譯軟體股——Wall Street Journal 之前提過 DeepL 在準備 IPO，但這次 OpenAI 的翻譯模型直接擠壓 DeepL 的核心市場。後續 IPO pricing 值得追。
⚠️ 上述只是觀察方向，不是投資建議。投資有風險，加密貨幣、外匯、股票都可能有重大虧損。請依個人風險承擔能力決定。
30 秒上手：你今天就能做的事
如果你看完想自己玩一下，最快的路徑是這樣：
- 到 platform.openai.com 開帳號（已經有 ChatGPT 帳號可以直接登）
- 儲值最少 5 美金（夠玩 4 小時翻譯 + 5 小時轉錄）
- 到 Realtime Playground 直接試 GPT-Realtime-2，左上角切到 Translate 或 Whisper 模式
- 選輸入裝置（你的 mic）、輸入語言、輸出語言，按開始說話
不會寫程式也能玩。要做應用就接 WebRTC SDK，OpenAI 提供 JavaScript / Python / Swift / Kotlin 的範例。文件在 platform.openai.com/docs/guides/realtime。
結論：這次比上次 GPT-5 發布更值得認真看
4 月 GPT-5 發布的時候我寫過「對普通人短期內不會有差別」。這次三件套發布，反過來：對普通人有立刻的差別，反而對開發者社群衝擊沒這麼大，因為 API 介面跟之前差不多。
原因是這次發布解掉的不是「模型不夠強」這個技術問題，而是「真實對話這個介面終於可用」這個體驗問題。
有兩件事我想留給讀者：
- 場景優先，不是模型優先——別只看「GPT-Realtime-2 有多強」，要問「你身邊哪個重複的對話場景，可以掛上這條線？」客服？跨語溝通？會議紀錄？答案出來了，你的解就有了。
- 同聲傳譯這個職業，今天的時薪可能不變，但 12 個月後的市場結構會大不一樣——這不是要嚇人，是給做相關工作的朋友一個提早準備的時間窗。
下一篇我打算實測 GPT-Realtime-Translate 跟 Google Translate 的中越翻譯品質對比，數據出來再寫一篇給看。
📌 本文資訊截至 2026 年 5 月 9 日。AI 工具更新頻率高，定價跟功能可能變動，請以 OpenAI 官方公告為準。
🔔 不投資建議：本文提及的個股 ticker 僅供學習觀察用途，不構成投資建議。投資有風險，請依個人風險承擔能力做決定。
發表迴響