📲Digital Trends•較早收集於 27m
OpenAI 新語音 AI 支援 70+ 語言
💡OpenAI 即時語音 AI 支援 70+ 語言，現已開發者就緒
⚡ 30-Second TL;DR
有什麼變化
推出三款全新音頻模型
為什麼重要
開發者現可更輕鬆建構多語言即時語音應用，擴大 AI 全球可及性。此舉將語音定位為超越文字的核心 AI 互動模式。
下一步行動
測試 OpenAI 新音頻模型 API 以整合即時多語言語音功能。
誰應關注：Developers & AI Engineers
關鍵要點
- •推出三款全新音頻模型
- •支援推理及 70+ 語言翻譯
- •實現即時語音轉錄
- •讓語音成為開發者實用介面
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •該系列模型採用了端到端（End-to-End）架構，直接從音訊訊號處理語意，無需經過傳統的語音轉文字（ASR）中間步驟，顯著降低了延遲。
- •模型具備情感感知與語氣調整能力，能根據上下文自動調整語音的抑揚頓挫，使生成的語音更具備擬人化的自然感。
- •OpenAI 透過 API 提供這些模型，並針對開發者優化了串流（Streaming）效能，支援低延遲的雙向語音互動應用。
📊 競品分析▸ Show
| 特色 | OpenAI (新音頻模型) | Google (Gemini Live) | ElevenLabs |
|---|---|---|---|
| 核心優勢 | 端到端推理與多語言整合 | 生態系整合與多模態能力 | 語音合成與語音克隆技術 |
| 語言支援 | 70+ 種語言 | 支援廣泛，強調即時翻譯 | 支援 30+ 種語言 |
| 延遲表現 | 極低（端到端架構） | 低（串流處理） | 中（需處理合成時間） |
🛠️ 技術深入
- 採用多模態神經網路架構，將音訊編碼器（Audio Encoder）與大型語言模型（LLM）深度整合。
- 支援原生音訊輸入與輸出，減少了文字轉換過程中的資訊損失與延遲。
- 針對多語言訓練數據進行了跨語言對齊（Cross-lingual Alignment），提升了在低資源語言上的翻譯準確度。
- 實作了動態採樣率調整，以適應不同網路環境下的即時串流需求。
🔮 前景展望AI analysis grounded in cited sources
語音 AI 將取代傳統的圖形使用者介面（GUI）成為行動裝置的主要互動方式。
隨著語音模型延遲降低至人類反應速度，語音互動將比觸控操作更具效率與直覺性。
即時翻譯技術將徹底消除跨國客服與遠端會議的語言障礙。
端到端模型的高準確度與低延遲特性，使得無縫的即時雙向口譯成為可能。
⏳ 時間線
2022-09
OpenAI 發布 Whisper 語音識別模型，奠定語音處理基礎。
2023-09
ChatGPT 推出語音對話功能，整合了 Whisper 與文字轉語音技術。
2024-05
發布 GPT-4o，實現了音訊、視覺與文字的即時多模態互動。
2026-05
推出專用音頻模型，進一步優化跨語言推理與即時轉錄效能。
📰
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： Digital Trends ↗