据 OpenAI 2025 年 8 月 28 日发布的信息，其推出了更先进的语音到语音模型 gpt-realtime，并同步更新 Realtime API 能力。此次更新的重点包括：支持 MCP server、支持图像输入，以及加入 SIP 电话呼叫支持。对于正在构建语音助手、客服机器人、电话坐席、实时互动应用的开发者而言，这意味着 OpenAI 的实时多模态接口正在从“语音对话”进一步扩展到“可接工具、可看图、可接电话”的应用层基础设施。
从本站关注的 API 接入与模型调用角度看，这次更新并不是单一模型名称变化，而是 Realtime API 的可用场景被明显拓宽。开发者过去如果要实现电话接入、工具调用、图像理解与语音交互，通常需要把多套系统拼接在一起；而新能力释放后，相关链路有机会通过更统一的实时接口完成，降低工程整合复杂度。
gpt-realtime 的核心变化：语音到语音能力继续前移
来源显示，OpenAI 将 gpt-realtime 定位为更先进的 speech-to-speech 模型。语音到语音模型的关键价值在于，它不只是把语音转成文本再生成回答，而是围绕实时语音交互进行优化，适合更自然、更低中断感的对话体验。
对开发者来说，实时性、上下文保持、语音交互稳定性通常比单次文本生成更难处理。尤其是在客服、销售外呼、陪练、教育、车载、硬件终端等场景，用户不会像聊天框那样等待完整回复，而是会打断、追问、切换话题。Realtime API 的更新，正是面向这类连续交互场景继续补齐能力。
新增 MCP、图像输入与 SIP：从模型接口走向业务系统入口
此次更新中，MCP server support 值得关注。MCP 作为连接模型与外部工具、数据源、业务系统的一类协议机制，可以帮助模型在对话过程中调用外部能力。对于企业应用而言，这意味着实时语音助手不再只是“回答问题”，还可能在授权范围内查询订单、检索知识库、触发流程或对接内部服务。
图像输入则让 Realtime API 的实时交互不局限于声音。开发者可以围绕“边看边说”的产品形态设计体验，例如用户上传或展示图片后，通过语音继续追问、说明问题、让模型结合视觉内容作出回应。这对售后诊断、远程协助、教学讲解、设备巡检等场景都有想象空间。
SIP 电话呼叫支持则更贴近传统通信基础设施。SIP 是企业电话、呼叫中心和 VoIP 系统中常见的接入方式。OpenAI 将这一能力纳入 Realtime API，意味着开发者在构建 AI 电话坐席或语音代理时，可能更容易与现有电话系统打通，而不是完全依赖自建音频流转发链路。
- MCP server support：有利于实时语音应用连接外部工具和业务系统。
- Image input：让语音交互扩展到多模态理解，适合看图讲解、诊断和辅助场景。
- SIP phone calling support：降低 AI 电话、呼叫中心、语音坐席接入传统通信系统的门槛。
对 API 使用者的影响：成本、并发与链路稳定性更重要
能力变多之后，开发者需要关注的不只是“能不能调用”，还包括并发控制、音频链路稳定性、会话时长、重试策略、鉴权、安全边界和成本测算。实时语音不同于普通文本 API，请求往往持续时间更长，对网络抖动更敏感，也更容易在高并发场景下放大成本与稳定性问题。
对于通过 API 中转或统一网关接入多模型的团队而言，这类更新也会带来新的适配需求：网关是否支持实时连接、是否能处理音频流、是否能透传多模态输入、是否能与 MCP 工具链和 SIP 链路共存，都会影响最终落地效果。企业在选型时，除了关注模型效果，也应评估额度管理、调用日志、失败回退、区域网络质量与账户风控等工程指标。
本站解读：实时多模态 API 正成为新一代应用入口
从趋势看，OpenAI 此次发布 gpt-realtime 并更新 Realtime API，说明实时交互正在从演示型能力进入更可工程化的阶段。语音、图像、工具调用、电话系统被放在同一类实时接口下，会推动更多应用从“文本聊天机器人”升级为“可听、可说、可看、可办事”的智能代理。
不过，来源摘要并未给出具体价格、额度、性能指标或区域可用性细节，因此开发者在正式上线前仍应以官方文档和控制台实际配置为准。对 API 使用者来说，短期最值得验证的是：gpt-realtime 在真实业务话术中的稳定性、Realtime API 在长连接下的表现、SIP 接入的兼容性，以及 MCP 工具调用在权限和审计上的可控性。