💻ZDNet AI•最新收集於 29m
實測 ChatGPT 全新擬真 Live Voice 語音升級
💡了解 ChatGPT 的 Live Voice 如何以近乎真人的低延遲表現，重新定義即時 AI 對話代理人的標準。
⚡ 30-Second TL;DR
有什麼變化
Live Voice 支援語音輸入與即時網路搜尋的同步處理。
為什麼重要
此更新標誌著多模態代理人正朝向即時助理發展，可能對傳統語音客服與生產力工具市場造成衝擊。
下一步行動
將最新的 ChatGPT 語音功能整合至您的工作流程中，以測試即時語音啟動代理人原型的延遲表現。
誰應關注：Developers & AI Engineers
關鍵要點
- •Live Voice 支援語音輸入與即時網路搜尋的同步處理。
- •相較於舊版本，該模型在延遲表現與對話流暢度上有顯著提升。
- •互動品質已接近人類水準的反應速度與細膩度。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •該語音系統採用了端到端（End-to-End）的多模態模型架構，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。
- •系統整合了情感識別演算法，能根據使用者的語氣、語速與停頓，動態調整 AI 的回應語調與情緒表達。
- •Live Voice 功能支援多語言即時翻譯，並能保留原始說話者的語氣特徵與節奏，實現跨語言的自然對話。
- •為了降低延遲，OpenAI 在全球邊緣運算節點部署了專用的推理伺服器，確保語音數據傳輸的即時性。
- •該更新引入了中斷機制（Barge-in），允許使用者在 AI 說話過程中隨時打斷，系統能立即停止輸出並處理新的指令。
📊 競品分析▸ Show
| 功能/產品 | ChatGPT Live Voice | Google Gemini Live | Anthropic Claude (Voice) |
|---|---|---|---|
| 核心架構 | 端到端多模態 | 多模態整合 | 依賴外部 TTS/STT |
| 延遲表現 | 極低 (毫秒級) | 低 | 中等 |
| 情感表達 | 高度擬真 | 中等 | 基礎 |
| 價格模式 | 訂閱制 (Plus/Team) | 訂閱制 (Advanced) | 視 API/平台而定 |
🛠️ 技術深入
- 採用 GPT-4o 或後續迭代的 Omni 模型架構，實現音訊、視覺與文字的統一處理。
- 利用音訊編解碼器（Audio Codec）進行高壓縮比傳輸，同時維持語音的高保真度。
- 透過強化學習（RLHF）針對語音對話進行專門優化，減少幻覺並提升對話邏輯的連貫性。
- 支援低延遲串流技術，確保在網路波動環境下仍能維持對話的連續性。
🔮 前景展望AI analysis grounded in cited sources
語音互動將取代文字輸入成為 AI 的主要交互介面。
隨著語音延遲降至人類對話水準，語音輸入的效率與自然度已超越傳統打字。
AI 語音助理將深度整合至物聯網（IoT）與車載系統。
即時、低延遲的語音處理能力使得 AI 能夠在移動與離線場景中提供更穩定的服務。
⏳ 時間線
2023-09
OpenAI 首次推出 ChatGPT 語音對話功能，支援多種預設語音。
2024-05
發布 GPT-4o 模型，展示了原生多模態語音互動能力。
2024-09
正式向 Plus 用戶推送 Advanced Voice Mode（進階語音模式）。
2025-03
優化語音引擎，進一步降低對話延遲並提升情感表達細膩度。
2026-06
推出全新 Live Voice 更新，強化同步搜尋與多工處理能力。
📰
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： ZDNet AI ↗