gpt-realtime-whisper

在上游，两者的区别是流式 vs 批量。在 TheRouter 上这个区别不存在：两个模型都走同一个 POST /v1/audio/transcriptions 请求，都返回一份完整转录，都不流式。这里真正的差别只剩价格和准确率 —— 而且权衡方向与名字给人的印象相反。GPT-Realtime-Whisper 标价 $0.017/分钟，gpt-4o-transcribe 是 $0.006/分钟，前者贵约 2.8 倍，而 gpt-4o-transcribe 在预录音频上通常绝对准确率更高。除非你确实需要这个模型，在 TheRouter 上 gpt-4o-transcribe 在成本和准确率两方面都是更好的默认选择。（此处为 OpenAI 标价；实际收费见各模型页的定价卡片。）

原生不支持，在 TheRouter 上也不支持。原生场景下，OpenAI 的 GPT-Realtime-Whisper 使用专用的 /v1/realtime/transcription_sessions 端点（WebRTC 或 WebSocket）——你需要管理持久连接，通过 input_audio_buffer.append 事件流式发送音频，并处理到达的转录增量。在 TheRouter 上，该模型仅通过 POST /v1/audio/transcriptions 提供服务——标准 REST 转录契约，请求输入、完整转录输出。该模型在 TheRouter 上没有 chat/completions 路由；按那种方式调用会返回 503。

延迟设置控制流式转录的延迟/准确性权衡。较低的值（minimal、low）更快发出转录增量，但可能因模型音频上下文较少而词错误率更高。较高的值（high、xhigh）等待更多上下文再发出文本，牺牲显示延迟换取准确性。OpenAI 建议实时字幕从 'low' 开始，平衡场景从 'medium' 开始。请用实际音频测试——麦克风、背景噪音、口音和领域词汇都会影响最佳设置。

GPT-Realtime-Whisper 的 GA 实时会话不支持提示词引导。请改用语言提示（'language' 参数）。如果未来版本支持提示词引导，OpenAI 建议使用简短关键词列表（如 'Keywords: 美托洛尔, 阿托伐他汀, 糖化血红蛋白'）而非完整的自然语言指令。生产使用中，将关键词引导视为辅助而非保证——继续手动评估名称、数字、日期和领域术语。

传统 Whisper（whisper-1）按块处理音频，必须等待整个话语完成后才能转录——它不是原生流式的。GPT-Realtime-Whisper 随着音频到达持续发出增量转录文本，延迟从 'minimal'（近乎即时的局部文本）到 'xhigh'（更多上下文、更好准确性）可调。对于实时字幕和流媒体应用，延迟改进显著：用户看到文本在句子中间就出现了，而非等待数秒。对于延迟不重要的预录音频文件，gpt-4o-transcribe 或 gpt-4o-mini-transcribe 以更低成本提供更高准确率。