OpenAI 把語音 AI 的成本打下來了，語音代理這條路終於通了

OpenAI 這次悄悄丟出三顆炸彈：GPT-Realtime-2、GPT-Realtime-Translate、GPT-Realtime-Whisper。光看名字可能覺得沒什麼，但背後解決的問題，才是真正的重點。 語音代理（Voice Agent）這個概念喊了快兩年，但一直卡在兩個死穴：太貴，還有上下文限制。想像你開車時用語音助理導航、問問題、訂餐廳，對話一長，AI 就開始「失憶」——因為舊的語音串流吃掉了太多 context window，系統得不斷做狀態壓縮，既耗計算資源，又容易出錯。開發者為了繞過這個問題，要自己寫一堆狀態重構的 boilerplate code，根本就是在用工程時間填技術債。 GPT-Realtime-2 這次帶進了 GPT-5 等級的推理能力，同時大幅拉低延遲。更重要的是，它讓語音模型可以直接接進更複雜的 Agent 堆疊，不用再靠外掛的壓縮機制撐場面。GPT-Realtime-Translate 則是直接做即時翻譯，客服、醫療、跨國會議這些場景一口氣全打開。 這背後有個大方向在跑：OpenAI 正在把語音從「好玩的功能」變成「基礎建設」。過去語音 API 是旁枝，現在它要成為 Agent 架構的標準入口之一。就像當年 REST API 把 HTTP 從網頁協議變成萬用溝通格式，這次 OpenAI 想對語音做同一件事。 同一天，Anthropic 也公布年化營收衝到 300 億美元，較一年前成長了整整 80 倍。這個數字說明了企業買單的速度比任何人預期的都快，而且主要是企業級 Agent 應用在拉動。兩家公司同一天都在證明同一件事：AI 正在從「展示品」變成「工作系統」的核心零件。 對開發者來說，現在值得認真評估：你的產品有沒有語音的入口？這道門以前太貴、太難維護，現在技術成本正在快速下降。第一批把語音代理跑起來的產品，往往就是接下來兩年的護城河。