📊Bloomberg Technology•最新收集於 29m
ChatGPT 語音模式現在能模擬自然的真人對話
💡體驗對話式 AI 的下一個飛躍，感受更像人類、更具表現力的語音互動。
⚡ 30-Second TL;DR
有什麼變化
增強了語音的韻律與情感抑揚頓挫
為什麼重要
此次更新為人機互動樹立了新標準，使語音介面感覺不再那麼機械化，對終端用戶而言更具親和力。
下一步行動
將更新後的 Voice API 整合到您的應用程式中，並測試與舊版本相比的用戶參與度指標。
誰應關注：Developers & AI Engineers
關鍵要點
- •增強了語音的韻律與情感抑揚頓挫
- •降低延遲以實現更流暢的即時互動
- •提升處理對話中斷與重疊的能力
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •OpenAI 導入了多模態端到端（End-to-End）模型架構，直接處理音訊輸入與輸出，無需經過語音轉文字（STT）與文字轉語音（TTS）的中間轉換過程。
- •新版語音模式具備視覺感知能力，用戶可透過鏡頭展示環境，模型能即時針對視覺內容進行語音對話與分析。
- •系統整合了更先進的語音情感識別技術，能根據用戶語氣的急促、猶豫或情緒起伏，動態調整回應的語速與語調。
- •OpenAI 針對語音模式實施了更嚴格的安全過濾機制，特別是針對模仿特定個人聲音的防護，以防止深度偽造（Deepfake）濫用。
- •該技術已開始支援多語言即時口譯功能，並能保留原始說話者的語氣特徵，實現跨語言的自然對話體驗。
📊 競品分析▸ Show
| 特色/產品 | ChatGPT (Advanced Voice) | Google Gemini Live | Anthropic Claude (Voice) |
|---|---|---|---|
| 核心架構 | 端到端多模態模型 | 多模態整合模型 | 依賴外部 TTS/STT 整合 |
| 視覺互動 | 支援即時視覺輸入 | 支援部分視覺分析 | 暫不支援即時語音視覺互動 |
| 延遲表現 | 極低 (毫秒級) | 低 | 中等 |
| 情感表達 | 高度擬真 | 中高 | 中等 |
🛠️ 技術深入
- 採用 GPT-4o 系列模型作為核心，實現了音訊、視覺與文字的統一處理。
- 移除了傳統語音處理管線中的轉錄步驟，顯著降低了處理延遲並保留了語音中的非語言資訊（如笑聲、嘆氣）。
- 訓練數據包含大量人類對話錄音，強化了對話中斷（Barge-in）的處理邏輯，使模型能識別何時該停止輸出並傾聽。
- 實作了動態取樣率調整，根據網路頻寬自動優化音訊品質，確保在不穩定連線下仍能維持對話連貫性。
🔮 前景展望AI analysis grounded in cited sources
語音互動將取代文字輸入成為人機互動的主流介面。
隨著語音延遲降至人類對話水準，語音輸入的效率與情感傳達能力將大幅超越傳統打字。
客戶服務產業將大規模導入此類語音模型以取代初階客服人員。
具備情感感知與即時回應能力的 AI 能提供更具同理心的服務，且成本遠低於真人客服。
⏳ 時間線
2023-09
OpenAI 首次發布 ChatGPT 語音對話功能，支援基礎語音互動。
2024-05
OpenAI 發表 GPT-4o，展示了具備極低延遲與情感表達能力的全新語音模式。
2024-09
OpenAI 正式向付費訂閱用戶全面開放 Advanced Voice Mode。
2025-03
OpenAI 升級語音模型，強化了對多語言口音的辨識與處理能力。
2026-06
OpenAI 推出進一步優化對話流暢度與中斷處理能力的語音模式更新。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Bloomberg Technology ↗