WebRTC
声音工作台
用于旁白、对话和转写的声音生成器
生成旁白、对话或音频转写。
声音
AI 声音
实时语音智能体规划
GPT Realtime 2 面向使用 OpenAI Realtime API 规划低延迟语音智能体的团队
GPT Realtime 2 是一个独立工作台，帮助团队在上线前梳理实时语音对话智能体、浏览器 WebRTC 会话、服务端 WebSocket 音频、流式转写、实时翻译、工具调用和生产用量控制。
最后更新：
关键结论
- 当浏览器或移动端需要低延迟麦克风输入和音频输出时，优先使用 WebRTC。
- 当后端需要掌控音频路由、录音、电话系统或策略执行时，优先使用 WebSocket 或服务端实时链路。
- 工具调用、升级转人工、监控和成本控制应当作为上线条件，而不是上线后的补丁。
架构适配表
| 工作流信号 | 推荐设置 | 为什么重要 |
|---|---|---|
| 浏览器语音助手 | WebRTC 会话 + 短时客户端访问凭证 | 降低麦克风和播放延迟，同时避免在客户端暴露长期密钥。 |
| 呼叫中心或电话链路 | 服务端控制实时音频，并明确转人工规则 | 后端可以统一处理路由、日志、合规复查和人工升级。 |
| 实时翻译或转写 | 拆分会话设置、转写复盘和用量预算 | 让语言处理、质量检查和成本预测对运营团队可见。 |
面向严肃业务流程的语音智能体能力
首页聚焦团队真正需要的能力：响应自然的语音对话、可控会话、可追溯转写，以及能接入业务系统的工具动作。
语音到语音智能体
适合客服、辅导、信息采集和一线运营的自然实时对话。
流式转写
把语音会话沉淀为结构化文本，方便复盘、检索、质检和后续跟进。
实时翻译工作流
让多语言对话在发生当下就能推进，而不是事后再整理。
可调用工具的对话
语音智能体可以查记录、建工单、更新系统或触发已批准的动作。
会话控制
统一管理指令、声音行为、上下文和转人工规则，保证结果可复用。
用量可见
围绕会话时长、模型、工具和上下文规划预算，避免上线后失控。
工作流
从语音想法到可上线智能体
用清晰的建设路径，让实时语音系统看起来像专业产品，而不是临时试验。
1
定义智能体
先写清角色、边界、升级规则和成功标准，再处理传输和工具。
2
配置实时会话
为目标渠道选择声音行为、输入模式、轮次处理和上下文策略。
3
接入工具和数据
只连接智能体真正需要的系统，并给出明确权限和失败路径。
4
复盘用量并上线
在扩大流量前检查转写质量、延迟、工具行为和额度消耗。
围绕生产约束设计
首页需要传达的是专业语音智能体平台，而不是一个临时体验页。
128K 上下文窗口，适合较长实时工作流
128K
上下文窗口，适合较长实时工作流
WebRTC 面向浏览器低延迟语音交互
WebRTC
面向浏览器低延迟语音交互
工具调用 把对话连接到业务动作和系统交接
工具调用
把对话连接到业务动作和系统交接
实时语音智能体适合哪些场景
围绕真实业务对话来定位 GPT Realtime 2，而不是泛泛介绍聊天功能。
客服语音智能体
处理常见问题，收集上下文，并在需要人工时清楚交接。
销售线索筛选
自然沟通需求、记录线索，并同步到销售工具。
语言学习陪练
进行口语练习、纠错、总结，并根据表现调整下一步课程。
实时翻译助手
帮助跨语言团队在电话、现场、差旅和运营中直接沟通。
会议与现场助手
把口头更新整理成笔记、任务和后续记录。
内部运营助手
免手操作完成清单、制度问答和系统动作。
GPT Realtime 2 常见问题
给正在评估实时语音智能体的团队一个清楚答案。