OpenAI 在去年推出的 GPT-4o 基礎(chǔ)上，再次對其高級語音模式進行了重大的更新，使得語音交流變得更加自然和貼近人類的對話方式。這一先進的功能依托于原生的多模態(tài)模型，能夠快速響應(yīng)音頻輸入，最快在232毫秒內(nèi)作出反應(yīng)，平均響應(yīng)時間為320毫秒，幾乎與人類的對話速度不相上下。

　　在今年年初，OpenAI 已經(jīng)對這一語音模式進行了小幅更新，改善了打斷頻率和口音處理。而此次的重大升級，更是使語音回復(fù)的語調(diào)變得更加細膩、節(jié)奏更加自然，尤其是在停頓和強調(diào)的處理上，顯得更加生動。此外，更新后的系統(tǒng)能夠更加精準地表達各種情緒，包括同情和諷刺，使得機器與人類的交流更具人情味。

　　更令人興奮的是，本次更新還增加了翻譯功能。ChatGPT 用戶只需簡單指令，便可讓它在對話中進行實時翻譯，直到收到停止指令。這一功能的推出，無疑會減少對專門語音翻譯應(yīng)用的需求，進一步提升用戶體驗。目前，更新后的高級語音模式僅向付費用戶開放。

　　盡管這一系列的改進顯著提升了語音交互的質(zhì)量，但 OpenAI 也明確指出，當前更新仍存在一些已知的局限性。例如，在某些情況下，音頻質(zhì)量可能會略有下降，音調(diào)和語調(diào)可能出現(xiàn)意外變化，尤其是在某些語音選項中較為明顯。此外，偶爾也會出現(xiàn)與真實對話不符的情況，例如出現(xiàn)廣告、胡言亂語或背景音樂的意外聲音。OpenAI 表示，他們將繼續(xù)努力提升音頻的一致性，逐步解決這些問題。

　　這次升級不僅讓 AI 的語音交互體驗更加自然，也為人類與人工智能之間的溝通打下了更為堅實的基礎(chǔ)。