Realtime API 能力更新
图像输入：支持在对话里直接用图像。 远程 MCP server 支持：让工具调用更灵活，可以接驳外部 MCP 工具。 SIP/PBX 支持：能和电话系统集成，适合语音客服场景。 Prompt caching：提示缓存，降低重复调用成本（价格低至 $0.40/百万 tokens）。 更好的函数调用：instruction following 和 tool calling 的可靠性增强。 WebRTC API 扩展：包括 server websocket 控制和视频支持。 价格下调约 20%：输入约 $32/百万音频 tokens，输出约 $64/百万音频 tokens。 gpt-realtime 模型升级点
强调语音到语音（speech-to-speech），低延迟，适合实时对话。 在BigBench、ComplexFuncBench等基准上较 GPT-4o-realtime 有显著提升。 语音层面改进：韵律（prosody）、非语言特征（咳嗽、笑声）、多语言切换。 新增两种声音：Cedar和Marin。
社区反响
工程师们认为这是 OpenAI 把 “实时语音” 当作一等公民接口来推动。
关注点在于：
voice-native agents（以语音为核心的智能体）。 MCP over voice（语音直接驱动代码/工具调用）。 streaming hooks & session control（实时流式钩子和会话管理）。
应用前景
可以催生语音优先的编程助理、AI 电话助理、多模态实时交互产品。 定位在“让随时对话的语音接口真正可用”。