新的语音模式将于下周向 ChatGPT Plus 用户开放

今年5月，OpenAI发布了其新的旗舰前沿模型GPT-4o（"o"代表"omni"），该模型的音频理解能力得到了突出强调。GPT-4o模型可以在平均320毫秒的时间内响应音频输入，这与人类在典型对话中的响应时间相似。OpenAI还宣布，ChatGPT的语音模式功能将利用GPT-4o模型的音频能力为用户提供无缝的语音对话体验。

OpenAI团队撰文介绍了GPT-4o的语音功能：

"通过GPT-4o，我们在文本、视觉和音频领域端到端训练了一个单一的新模型，这意味着所有输入和输出都由同一个神经网络处理。由于GPT-4o是我们第一个将所有这些模式结合起来的模型，因此我们在探索该模型的功能及其局限性方面仍处于起步阶段。"

今年6月，OpenAI宣布，原计划于6月底向一小部分ChatGPTPlus用户推出的高级语音模式将推迟一个月推出。OpenAI提到，需要更多时间来提高该模式检测和拒绝某些内容的能力。此外，它还在准备基础设施，以便在保持实时响应的同时将其扩展到数百万用户。

今天，OpenAI首席执行官SamAltman通过X确认，语音模式alpha版本将于下周面向ChatGPTPlus用户推出。

由于平均2.8秒（GPT-3.5）和5.4秒（GPT-4）的显著延迟，ChatGPT当前的语音模式并不直观。即将推出的基于GPT-4o的高级语音模式将使ChatGPT用户能够无延迟地进行无缝对话。

与此相关的是，OpenAI今天展示了它期待已久的网络搜索体验--SearchGPT。目前，SearchGPT只是一个原型，它提供的人工智能搜索功能可以从清晰、相关的来源为您提供快速、及时的答案。