OpenAI 發佈 GPT-Realtime-2 等三款即時語音模型 與博通合作自研 AI 晶片預計 180 億美元

OpenAI 最近推出三款全新音頻模型，包括 GPT-Realtime-2、GPT-Realtime-Translate 同 GPT-Realtime-Whisper，透過 API 擴展即時語音 AI 功能，針對開發者提供更實用嘅語音互動解決方案。公司表示，呢啲模型旨在令語音軟件更適合日常應用，例如駕駛時對話、機場導航或客戶支援，毋須打字即可處理。OpenAI 強調，語音正成為人類使用軟件最自然嘅介面之一。同時，OpenAI 與博通（Broadcom）合作開發自製 AI 晶片，雙方視此為戰略性夥伴關係。據內部備忘錄及參與談判人士透露，原計劃去年公布，但數月前談判陷入僵局，現正推進晶片生產第一階段建設，預計耗資約 180 億美元（約 1,404 億港元），包括 1.3 吉瓦計算能力。

### GPT-Realtime-2：旗艦模型升級
GPT-Realtime-2 係今次發布嘅旗艦模型，具備 GPT-5 級別推理能力，首次支援更複雜請求、處理中斷，並自然延續對話。模型支援即時工具使用，開發者可讓 AI 存取日曆、搜尋系統等，邊講邊解釋如「檢查你嘅日曆」或「即刻查詢」。上下文窗口由 32K 擴至 128K，支持更長對話及複雜任務；故障恢復更順暢，理解行業術語如醫療詞彙及專有名詞。基準測試顯示，GPT-Realtime-2（high）喺 Big Bench Audio 比 GPT-Realtime-1.5 高 15.2%，xhigh 版喺 Audio MultiChallenge 指令跟隨分數升 13.8%。呢啲升級令 OpenAI 與 Google Gemini Live 競爭更激烈，後者擅長快速回應及語言支援，但 OpenAI 重點喺長對話自然度、處理中斷及跟隨講者節奏。

### 多語翻譯與轉錄擴展
GPT-Realtime-Translate 專注即時翻譯，支持 70 多種輸入語言轉 13 種輸出語言，保持講者節奏，適用客戶支援、旅行及跨語溝通。Deutsche Telekom 正開發語音工具，讓客戶用母語講，AI 即時翻譯。GPT-Realtime-Whisper 則聚焦即時轉錄，將語音轉文字，支持串流應用。OpenAI 目標係超越簡單語音助理，發展可邊聽邊推理、翻譯、轉錄及執行動作嘅代理系統，例如 Zillow 嘅語音助理，可從口頭請求搜樓、篩選偏好及預約睇樓。

晶片合作細節方面，代號「Nexus」嘅完整 10 吉瓦項目，晶片生產環節成本高達 1,800 億美元（約 1.404 萬億港元），未計數據中心及其他配套。呢筆融資對 OpenAI 至關重要，公司預計至 2029 年營運資金消耗達 2,000 億美元（約 1.56 萬億港元）。自研晶片有助降低伺服器成本、提升毛利，但談判現處僵局。博通只同意供 40% 晶片產能，方提供融資；晶片將置於博通數據中心，再租予 OpenAI。博通憑數十年數據中心經驗及全球信譽資產，若成將獲豐厚回報，但備忘錄指博通可拒絕，條款已增：若博通未達標，OpenAI 須自尋其他供應商。呢個合作凸顯 OpenAI 硬件自主化野心，同時面臨融資壓力。