
ChatGPT 語音功能大致可以分成三個階段,從最早的串接式語音系統,經過進階語音模式,一路演進到這次的 GPT-Live。最早期的做法是「串接式語音系統」,流程是使用者講話、系統把語音轉成文字、大語言模型產生回答、再把文字轉回語音唸出來,整個過程一步一步接力,反應速度慢、也聽不出語氣。後來的「進階語音模式」把流程整合得更緊密,聲音變自然許多,但本質上還是「你講完、它才回答」的輪流對話,插話容易被忽略,也沒辦法邊講話邊處理複雜問題。這次的 GPT-Live 則是直接把架構打掉重練,改成全雙工設計,讓 AI 可以同時聽、同時說,這也是為什麼 OpenAI 把它稱為新一代語音模型,而不是單純的模型升級。
閱讀全文