1月2日消息，據(jù)科技媒體SiliconANGLE報道，OpenAI計劃在今年第一季度推出一款全新的音頻模型，旨在徹底重新定義機器與人類之間的語音交互體驗。

盡管OpenAI此前已經(jīng)在GPT-4o中展示了令人印象深刻的高級語音模式（Advanced Voice Mode），但即將發(fā)布的這款新模型據(jù)稱在架構上進行了更深層的優(yōu)化。

新模型預計將具備更低的端到端延遲，能夠實現(xiàn)幾乎無感知的實時打斷與對話，同時在情感理解與表達上達到了新的高度。這意味著，AI不僅能聽懂用戶說了什么，還能敏銳地捕捉到用戶語調(diào)中的猶豫、興奮或憤怒，并用帶有相應情感色彩的語氣進行回應，從而通過圖靈測試的語音版。

在過去的一年里，Google憑借其Gemini Live功能在安卓生態(tài)中迅速普及了自然語言對話，而像ElevenLabs這樣的垂直領域獨角獸則在語音合成（TTS）和聲音克隆API市場占據(jù)了大量份額。

OpenAI急需一款具有統(tǒng)治力的音頻基座模型，不僅為了服務C端用戶，更為了向開發(fā)者提供更強大的API，以奪回在企業(yè)級語音服務（如智能客服、實時翻譯）市場的主導權。

此外，這款音頻模型也被視為OpenAI構建下一代“AI代理”（Agent）戰(zhàn)略的重要入口。隨著AI從單純的聊天機器人進化為能夠代替人類執(zhí)行任務的智能體，語音正在取代鍵盤成為最高效的指令輸入方式。

如果OpenAI的新模型能夠實現(xiàn)極高的準確率和極低的能耗，它極有可能成為未來可穿戴設備和智能家居系統(tǒng)的默認“聽覺中樞”。目前，OpenAI方面尚未對具體發(fā)布日期和技術細節(jié)置評，但市場普遍預期，這將在未來幾個月內(nèi)引發(fā)新一輪的語音AI技術競賽。（鞭牛士、AI普瑞斯編譯）