GPT-Realtime-2.1-mini 发布：低成本语音 Agent 有了推理和工具调用 (2026)

OpenAI 这次没有在主新闻页高调发布，但对做语音 Agent 的团队来说，gpt-realtime-2.1-mini 是一个值得立刻评估的小型号：它把 reasoning 和 tool use 放进了更便宜的 Realtime mini 档位，同时保持原 mini 价格不变。OpenAI Developers 在 7 月 7 日早间宣布该模型已可通过 API 使用；官方社区公告同日确认同时发布 gpt-realtime-2.1 与 gpt-realtime-2.1-mini 两个 Realtime 模型。1 2

一句话判断：这不是 GPT-5.6 那种主线文本模型升级，而是 OpenAI 把「实时语音 + 推理 + 工具调用」下沉到更低成本档位。你如果在做客服、销售、陪练、车载、会议助理这类实时语音产品，它比 GPT-5.6 更接近今天能落地的工程变量。

这次到底发布了什么

OpenAI 官方社区公告写得很直接：本次发布面向低延迟语音和多模态体验，新增 gpt-realtime-2.1 与 gpt-realtime-2.1-mini。前者是更强的 Realtime 模型，后者是更快、更低成本的 mini reasoning model。2

gpt-realtime-2.1-mini 的官方模型页把它定义为「distilled reasoning model」，用于更快、更低成本的实时语音交互；它支持通过 WebRTC、WebSocket 或 SIP 连接处理音频和文本输入，并且相比 GPT-Realtime-2 改善了字母数字识别。3

这几个词需要拆开看：

Realtime：不是先把语音转文字、丢给文本模型、再转回语音的三段式流程，而是面向低延迟语音交互的模型线。
Reasoning：模型可以在回答前做一定推理，不只是抢着接话；这对需要查订单、改预约、核对规则的语音 Agent 更重要。
Tool use：模型可以调用外部工具，例如查库存、查账户、改工单，而不是只给用户一段口头建议。

最大变化：mini 档位终于能做「会办事」的语音 Agent

过去做实时语音产品时，便宜模型通常适合寒暄、导航和简单问答；一旦需要判断、查系统、分步骤处理，就要升级到更贵模型，或者在语音链路里外挂一套文本模型和工具调度。gpt-realtime-2.1-mini 的意义，是把这类能力往 mini 档位推了一层。

官方社区公告给出的选型建议也印证了这一点：需要最强 realtime reasoning、tool use、instruction following 和 voice-agent behavior 时用 gpt-realtime-2.1；需要更快、更省钱的实时语音体验时用 gpt-realtime-2.1-mini。2

这让产品团队可以多一档选择：不是所有语音 Agent 都要上最强模型。高价值、低容错的场景用 gpt-realtime-2.1；大量重复、流程清楚、但仍需要工具调用的场景，可以先用 mini 试算成本和延迟。

价格：文字很便宜，音频输出仍是主要成本

官方模型页显示，gpt-realtime-2.1-mini 的文本 token 价格为每 100 万输入 0.60 美元、缓存输入 0.06 美元、输出 2.40 美元；音频 token 价格为每 100 万输入 10 美元、缓存输入 0.30 美元、输出 20 美元；图像输入为每 100 万 0.80 美元，缓存输入 0.08 美元。3

计费项	`gpt-realtime-2.1-mini`	读法
文本输入	$0.60 / 100 万 token 3	适合把系统提示、上下文、工具结果塞进会话
文本输出	$2.40 / 100 万 token 3	文字回复本身不是大头
音频输入	$10.00 / 100 万 token 3	用户长时间说话会显著影响成本
音频输出	$20.00 / 100 万 token 3	模型一直「多说」会直接变贵
图像输入	$0.80 / 100 万 token 3	可以做看图辅助，但不是视频理解

AlphaSignal 的同步报道把重点概括为「reasoning and tool use at mini pricing」，并指出它相对旗舰 gpt-realtime-2 的文本价格低很多；不过价格判断仍应以 OpenAI 官方模型页和社区公告为准。4

真正要算账时，别只看文本 token。语音 Agent 的成本常常卡在音频输入、音频输出和会话时长上。想把 mini 的成本优势吃满，需要控制三件事：让模型少说废话，尽量复用缓存输入，把查库、下单、改状态这类动作做成短工具调用。

延迟：全线 p95 至少降 25%，但还要自己测端到端

官方社区公告称，本次发布还通过改进缓存，让 Realtime voice models 的 p95 延迟至少降低 25%。2

这句话对实时语音很关键。平均延迟好看，不代表用户觉得顺；p95 更接近「大多数时候会不会突然卡一下」。如果一个语音客服 20 句里有一句明显停顿，用户体感会很差。

但这个 25% 不能直接外推成你的产品也快 25%。端到端延迟还取决于麦克风采集、网络、VAD（语音活动检测）、工具调用耗时、TTS 输出节奏和前端播放策略。比较稳的评估方式，是拿你自己的 50-100 条真实通话脚本，分别测首字响应、完整回合耗时、工具调用回合耗时和中断恢复时间。

适合谁先试

最适合第一批评估的，是已经有 Realtime API 原型、但因为成本或工具调用能力卡住的团队。尤其是这几类：

客服和售后语音 Agent：问题重复、流程固定，但需要查订单、退款规则、工单状态。
预约和调度场景：需要听懂日期、编号、地址、电话等字母数字信息，且经常要调用日历或 CRM。
销售和导购语音助手：需要边聊边查商品、库存、价格和用户偏好。
内部操作助手：员工通过语音查系统、生成记录、触发简单流程。

暂时不建议直接迁移的场景也很清楚：高风险医疗、法律、金融建议；强合规录音质检尚未跑通的呼叫中心；以及需要稳定结构化输出的重工具流。官方模型页显示 gpt-realtime-2.1-mini 支持 function calling，但 structured outputs 标为不支持，fine-tuning、predicted outputs 也不支持。3

也就是说，它能调用工具，不等于你可以把所有业务状态交给模型自由发挥。生产系统里仍然需要把关键动作锁在后端规则、权限和确认流程里。

与 GPT-5.6 的关系：不是替代，而是另一条产品线

这次更新不要和 GPT-5.6 Sol / Terra / Luna 混在一起看。GPT-5.6 是更偏通用智能、编码、科学研究和复杂专业工作的主线模型家族；gpt-realtime-2.1-mini 是面向实时语音交互的专用模型变体。

如果你的问题是「复杂任务到底交给哪个最强模型做」，仍然关注 GPT-5.6 的开放进度。如果你的问题是「一个语音 Agent 能不能更低成本地听、想、查、说」，这次 Realtime mini 更新更值得动手测。

迁移建议

已经在用 GPT-Realtime mini 的团队，可以先做小流量 A/B：保留原有系统提示和工具接口，把 gpt-realtime-2.1-mini 放进一条灰度链路，重点看工具调用成功率、数字/编号识别、用户打断后的恢复、以及音频输出 token 成本。

还没上 Realtime API 的团队，不建议因为这次发布就立刻重构语音架构。更务实的做法是先挑一个流程窄、价值高、能人工兜底的场景，做 2 周验证。目标不是证明模型「会聊天」，而是证明它能在真实噪声、真实用户停顿、真实业务系统里稳定完成一小段任务。

本次发布的信号很明确：OpenAI 正在把语音模型从「会实时说话」推向「会实时办事」。gpt-realtime-2.1-mini 还不是所有语音 Agent 的默认答案，但它已经把低成本实时语音产品的天花板往上抬了一截。

GPT-Realtime-2.1-mini 发布：低成本语音 Agent 有了推理和工具调用