ChatGPT高级语音模式正在向Web网页端推出！

大家好，我是木易，一个持续关注AI领域的互联网技术产品经理，国内Top2本科，美国Top10 CS研究生，MBA。我坚信AI是普通人变强的“外挂”，专注于分享AI全维度知识，包括但不限于AI科普，AI工具测评，AI效率提升，AI行业洞察。关注我，AI之路不迷路，2024我们一起变强。

就在几小时前，OpenAI官方账号在社交媒体平台X上发布了一条“晦涩难懂”的帖子。

Another Advanced Voice update for you—it’s rolling out now on chatgpt on desktop for all paid users.

So you can easily learn how to say the things you're doing an entire presentation on.

你能看懂OpenAI在说什么吗？其实不止是我们，连母语是英文的外国网友们也纷纷表示看不懂这条更新描述，表示“读得脑仁疼”。

经过多方查证，OpenAI这条更新指的是高级语音模式（Advanced Voice Mode），也就是平时说的实时语音，正在向ChatGPT网页端推出！也就是，以后可以在浏览器上和ChatGPT语音对话了！

来自网友的确认。

ChatGPT上的语音模式分为两种：标准语音模式（Standard voice）和高级语音模式（Advanced Voice Mode）。

其中，标准语音模式是通过传统的文本转语音模型（TTS，Text To Speech） 实现的，也就是如果你对ChatGPT说一句话，会经过语音转文本、文本处理（生成答案）、文本转语音这三个过程，技术层面看用到的模型分别是Whisper语音转文本模型、GPT-4、Text To Speech文本转语音模型。

这样的语音模式造成的效果就是延迟感很重，每一个问题ChatGPT都需要思考一段时间然后再说话，并且一旦ChatGPT开始说话，就无法停止，你必须耐着性子听完整个回答。这是由上面提到的实现方式决定的。

而高级语音模式则完全不同。高级语音模式基于GPT-4o模型的多模态能力，采用了端到端的语音处理方式，直接通过GPT-4o模型进行语音理解和生成一条龙服务。正因为此，这种语音模式下的对话更加自然流畅，基本感受不到延迟，同时端到端意味着可以随时打断ChatGPT的回复，就像是人和人之间真正的对话一样。高级语音模式的另外一个重要特点是能够理解语音语调、速度和情感变化，提供无限逼近自然对话的语音交互体验。

这也是为什么高级语音模式（Advanced Voice Mode）一经推出就备受好评的原因。而市面上其他大多数支持语音对话的AI工具还都停留在传统的文本转语音阶段。

由于受到系统、技术框架的限制，语音模式一直以来都是手机app的专属功能。就在最近，才在桌面客户端，包括Mac和Win两个版本，也上线了高级语音模式。

而本周起，我们将能够直接在ChatGPT网页端（即浏览器）使用高级语音功能，和ChatGPT对话。这对于没有或不想用桌面客户端的小伙伴还是非常友好的。

和之前的一些高级功能一样，网页端的高级语音功能也是优先向付费用户开放，包括Plus/Enterprise/Team/Edu计划的订阅用户。其中受众最广的Plus会员，费用为20美元每月。如何开通ChatGPT Plus或Team会员，可以看我这篇文章。

关于高级语音模式更加详细的解释和介绍，可以看以下系列文章。

结语

附上OpenAI首席产品官（CPO）Kevin Weil针对这个更新的详细介绍。

---

精选推荐​​​​​​​

---

都读到这里了，点个赞鼓励一下吧，小手一赞，年薪百万！😊👍👍👍。关注我，AI之路不迷路，原创技术文章第一时间推送🤖。