OpenAI让模型“开口说话”

近日

据媒体报道

OpenAI面向开发者

正式发布

三款全新高阶语音智能模型

 

OpenAI发布三款模型

 

据媒体报道

OpenAI发布的这三款模型

 

全面强化了

AI实时听觉

口语交互

翻译与转录能力

同时大幅降低了

企业开发智能语音应用的

技术门槛

 

 

旗舰模型

GPT-Realtime-2

具备GPT-5级别的推理能力

可高效处理各类复杂请求

实现自然连贯的实时对话

支持工具调用

可灵活处理

对话中的打断与更正

 

GPT-Realtime-Translate

以实时翻译为核心优势

支持70+种语言识别

13种语言语音输出

可接近同声传译效果

适配跨语言通话

会议等多元场景

 

GPT-Realtime-Whisper

聚焦低延迟语音转写能力

在用户发言的同时

即时完成转录

适配直播字幕

会议记录等高频场景

 

OpenAI表示

本次升级的智能语音系统

实用性显著提升

应用场景广泛

商业化空间广阔

 

语音交互成AI竞争前沿

 

传统的语音识别

主要是把声音转换成文字

然后对文字进行处理

 

随着AI的发展

近年来

实时语音交互已成为

大模型竞争核心赛道

全球多家厂商均有布局

 

百度推出端到端语音大模型

支持低延迟实时交互

对话自然流畅

 

阿里通义推出Fun-Audio-Chat模型

主打语音对语音交互

兼顾低算力成本与交互体验

 

科大讯飞星火同传大模型

可实现近同声传译

覆盖多领域专业术语

 

Google、Meta等

推出实时语音模型

在低延迟、多语种交互

持续发力

……

 

有分析认为

当前

大模型整体性能

不再是行业竞争的主要焦点

真实交互体验

与应用场景优化

开始变得越来越重要

这也让语音交互成AI竞争新前沿

 

但也有分析指出

语音交互领域仍面临多重挑战

如延迟与自然度难以平衡

噪声、口音下识别准确率不足

模型幻觉影响使用可靠性

算力消耗高等