ChatGPT 的高级语音模式获得重大更新：听起来更自然了

OpenAI 在去年推出 GPT-4o 的同时，还推出了高级语音模式。该功能使用 GPT-4o 等原生多模态模型，可以在 232 毫秒（平均 320 毫秒）内响应音频输入，与人类在典型对话中的响应时间相似。它还能生成感觉更自然的音频，捕捉非语言线索，如你说话的速度，并做出有情感的回应。

今年年初，OpenAI 发布了 “高级语音模式” 的一个小更新，减少了中断并改善了口音。今天，OpenAI 对 “高级语音模式” 进行了重大升级，使其听起来更自然、更像人。现在，语音应答具有更微妙的语调、逼真的语调（包括停顿和强调），以及对某些情绪（如同情和讽刺）更准确的表达能力。

本次更新还引入了翻译支持。ChatGPT 用户现在可以使用高级语音模式在不同语言之间进行翻译。只需要求 ChatGPT 开始翻译，它就会在整个对话过程中继续翻译，直到指示停止。这一功能有效地取代了对专用语音翻译应用程序的需求。

目前，更新后的高级语音模式仅适用于 ChatGPT 的付费用户。OpenAI 还指出，这一最新更新存在一些已知的限制，概述如下。

• 此更新有时可能会导致音频质量略有下降，例如音调和音调的意外变化，尤其是某些语音选项。OpenAI 希望随着时间的推移提高音频一致性。
• 语音模式下的罕见幻觉仍然存在，有时会产生类似于广告、胡言乱语或背景音乐的意外声音。

虽然仍然存在一些小限制，但源源不断的改进表明，人类和 AI 对话之间的界限将变得越来越难以区分。