Simon 最近把他的 OpenAI WebRTC Audio Session 工具更新了一版。这个项目最早在 2024 年 12 月就用来试验 OpenAI 的 WebRTC API，当时的目标很简单——让用户在浏览器里能和实时音频模型直接对话。而现在，它变得更像样了。

先说这次更新的背景。OpenAI 上个月在同一个 API 里悄悄塞进了一个新模型，叫 GPT‑Realtime‑2，官方宣传它是“首个具备 GPT‑5 级推理能力的语音模型”。听起来挺唬人，不过知识截止时间停在了 2024 年 9 月 30 日。Simon 重新打开那个旧 playground 之后，主要加了两样东西：一是用户现在可以挑选更好的模型，二是能直接粘贴一大段文档上下文，然后在浏览器里跟这段资料进行语音对话——不再是漫无目的地闲聊。

这其实点出了语音模型的一个核心困境：如果只能聊八卦、讲段子，那价值天花板很低。但一旦加入了用户提供的文档上下文，事情就变了——它更像一个“浏览器里的口头问答助手”，专门针对你指定的资料进行探索和讨论。使用方式也很直接：打开工具页面，在浏览器里选好模型、贴一段文档，然后通过 WebRTC 连接 OpenAI 的实时音频模型，就能开口问了。

适用场景其实很明确——个人知识阅读、文档讨论、资料复盘，这些活儿用它正合适。不过原文也很老实，没有吹它有长期记忆、复杂的 Agent 工作流或者企业级知识库能力。它就是个轻量工具，局限也摆在那：Simon 还在等这个模型进 ChatGPT iPhone app，但迟迟没看到；模型本身有知识截止时间；整个工具依赖 OpenAI 的 Realtime / WebRTC API，一断电就玩不转。

但这件事给了一个挺实用的启发：如果你打算做低门槛的多模态 AI 应用，不妨先把“实时语音输入输出”和“用户提供的文档上下文”这两个能力捆在一起试试——而不是一上来就铺开完整的 RAG 系统。先让用户能对着资料说话，这个切口已经很能打了。