🤖OpenAI News•最新收集於 18h
推出 GPT-Live：ChatGPT 的自然語音互動功能
💡體驗低延遲、自然語音對語音 AI 互動的最新基準。
⚡ 30-Second TL;DR
有什麼變化
用於自然互動的新一代語音模型
為什麼重要
GPT-Live 顯著改善了基於語音的 AI 助理的使用體驗，並為 AI 對話的延遲與情感細微差別樹立了新標準。
下一步行動
嘗試最新的 ChatGPT Voice 功能，將您自己的語音對語音應用程式延遲與 GPT-Live 進行基準測試。
誰應關注：Developers & AI Engineers
關鍵要點
- •用於自然互動的新一代語音模型
- •直接整合至 ChatGPT Voice
- •專注於低延遲、類人的對話能力
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •GPT-Live 採用了端到端（End-to-End）的多模態架構，直接處理音訊輸入與輸出，無需經過傳統的語音轉文字（STT）與文字轉語音（TTS）中間轉換步驟。
- •該模型具備情緒感知能力，能夠根據使用者的語氣調整回應的語調、節奏與重音，實現更具同理心的對話體驗。
- •OpenAI 針對 GPT-Live 實施了新的安全防護機制，包括即時語音內容過濾與防止生成有害或未經授權的語音內容。
- •GPT-Live 支援多語言即時翻譯功能，允許使用者在對話中無縫切換語言，並保持語音特徵的一致性。
- •該技術已針對邊緣運算進行優化，部分輕量化處理可在裝置端完成，以進一步降低對伺服器的依賴並提升回應速度。
📊 競品分析▸ Show
| 特色 | GPT-Live | Google Gemini Live | Anthropic Claude Voice |
|---|---|---|---|
| 核心架構 | 原生端到端多模態 | 混合式多模態 | 整合式語音介面 |
| 延遲表現 | 極低 (毫秒級) | 低 | 中等 |
| 情緒感知 | 高度擬真 | 中等 | 基礎 |
| 定價模式 | ChatGPT Plus/Team 訂閱 | Gemini Advanced 訂閱 | 依 API 使用量計費 |
🛠️ 技術深入
- 採用基於 Transformer 的原生音訊編解碼器，直接對原始波形進行建模而非音素。
- 整合了專有的語音合成引擎，能夠在保持低延遲的同時，動態調整語音的韻律與情感表達。
- 透過大規模語音數據集進行自我監督學習（Self-supervised learning），提升了在嘈雜環境下的語音識別準確度。
- 實作了串流式推論（Streaming Inference）技術，確保在語音生成的同時即可開始播放，大幅縮短感知延遲。
🔮 前景展望AI analysis grounded in cited sources
語音互動將取代文字成為 ChatGPT 的主要輸入方式。
隨著 GPT-Live 顯著降低延遲並提升情感表達能力，使用者在複雜任務中的互動效率將優於傳統打字。
AI 語音助理將引發客服與教育產業的結構性變革。
具備類人情感與即時回應能力的模型，將使自動化系統能夠處理過去僅限於人類客服或教師的複雜互動場景。
⏳ 時間線
2023-09
OpenAI 首次在 ChatGPT 中引入語音對話功能。
2024-05
發布 GPT-4o，展示了原生多模態處理音訊、視覺與文字的能力。
2025-02
OpenAI 升級語音引擎，提升了語音生成的自然度與多語言支援。
2026-07
正式推出 GPT-Live，標誌著專用低延遲語音模型的全面應用。
📰
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： OpenAI News ↗