OpenAI 在去年推出的 GPT-4o 基础上，再次对其高级语音模式进行了重大的更新，使得语音交流变得更加自然和贴近人类的对话方式。这一先进的功能依托于原生的多模态模型，能够快速响应音频输入，最快在232毫秒内作出反应，平均响应时间为320毫秒，几乎与人类的对话速度不相上下。
在今年年初，OpenAI 已经对这一语音模式进行了小幅更新，改善了打断频率和口音处理。而此次的重大升级，更是使语音回复的语调变得更加细腻、节奏更加自然，尤其是在停顿和强调的处理上，显得更加生动。此外，更新后的系统能够更加精准地表达各种情绪，包括同情和讽刺，使得机器与人类的交流更具人情味。
更令人兴奋的是，本次更新还增加了翻译功能。ChatGPT 用户只需简单指令，便可让它在对话中进行实时翻译，直到收到停止指令。这一功能的推出，无疑会减少对专门语音翻译应用的需求，进一步提升用户体验。目前，更新后的高级语音模式仅向付费用户开放。
尽管这一系列的改进显著提升了语音交互的质量，但 OpenAI 也明确指出，当前更新仍存在一些已知的局限性。例如，在某些情况下，音频质量可能会略有下降，音调和语调可能出现意外变化，尤其是在某些语音选项中较为明显。此外，偶尔也会出现与真实对话不符的情况，例如出现广告、胡言乱语或背景音乐的意外声音。OpenAI 表示，他们将继续努力提升音频的一致性，逐步解决这些问题。
这次升级不仅让 AI 的语音交互体验更加自然，也为人类与人工智能之间的沟通打下了更为坚实的基础。
