💰TechCrunch AI•最新收集於 60m
OpenAI 發布更自然的即時語音模型
💡體驗全雙工 AI 語音互動，實現更自然、同步的對話與翻譯功能。
⚡ 30-Second TL;DR
有什麼變化
支援全雙工音訊處理（同時聽與說）
為什麼重要
此更新大幅降低了即時語音助理與跨語言溝通工具的技術門檻。
下一步行動
將新的語音 API 整合至您的應用程式中，以測試低延遲的全雙工對話流程。
誰應關注：Developers & AI Engineers
關鍵要點
- •支援全雙工音訊處理（同時聽與說）
- •提升即時對話 AI 的自然度
- •針對即時翻譯應用進行優化
- •顯著降低語音互動的延遲
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •該模型採用端到端（End-to-End）架構，直接處理音訊輸入與輸出，無需經過語音轉文字（ASR）與文字轉語音（TTS）的中間步驟。
- •具備情感識別能力，能夠根據使用者的語氣調整回應的情緒表達，並支援中斷對話（Barge-in）功能。
- •此技術整合於 OpenAI 的多模態模型生態系中，允許模型在語音對話過程中同時處理視覺輸入資訊。
- •針對開發者提供 API 支援，允許第三方應用程式透過 WebSocket 串流技術整合低延遲語音互動。
- •模型訓練數據包含多種語言與口音，旨在減少非母語使用者的語音辨識錯誤率。
📊 競品分析▸ Show
| 特色/模型 | OpenAI (GPT-4o/Voice) | Google (Gemini Live) | Anthropic (Claude Voice) |
|---|---|---|---|
| 全雙工處理 | 原生支援 | 支援 | 支援 |
| 延遲表現 | 極低 (約 200-300ms) | 低 | 中 |
| 情感表達 | 高度擬人化 | 自然 | 較為客觀 |
| 定價模式 | API 按量計費 | 訂閱制整合 | 視平台而定 |
🛠️ 技術深入
- 採用單一神經網路架構，直接將原始音訊波形編碼為向量空間，避免了傳統串聯式系統的資訊損失。
- 實作了基於 Transformer 的音訊編解碼器，優化了在低頻寬環境下的語音傳輸品質。
- 透過強化學習（RLHF）針對對話節奏與語氣進行微調，以模擬人類對話中的停頓與語調變化。
- 系統架構支援多模態對齊，確保語音回應與視覺上下文（如相機輸入）保持同步。
🔮 前景展望AI analysis grounded in cited sources
語音 AI 將取代傳統客服中心的第一線人力。
隨著即時翻譯與情感識別技術的成熟，AI 已能處理複雜且具備情緒的客戶互動需求。
邊緣運算裝置將成為語音 AI 的主要載體。
為了進一步降低延遲並保護隱私，模型將逐漸從雲端遷移至具備 NPU 的終端裝置上執行。
⏳ 時間線
2023-09
OpenAI 首次發布具備語音對話功能的 ChatGPT。
2024-05
發布 GPT-4o，展示了原生多模態即時語音互動能力。
2024-09
向付費使用者全面開放進階語音模式（Advanced Voice Mode）。
2026-07
發布更自然的即時語音模型，進一步優化全雙工互動與翻譯效能。
📰
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： TechCrunch AI ↗