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 ChatGPT Plus 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 Sam Altman 通过 X 确认，语音模式 alpha 版本将于下周面向 ChatGPT Plus 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。