7月30日，OpenAI推出了ChatGPT的高级语音模式，为用户带来了前所未有的GPT-4o超逼真语音交互体验。

7 月 30 日，OpenAI 推出了 ChatGPT 高级语音模式，用户首次能够体验 GPT-4o 超逼真语音交互。目前，Alpha 版本面向于小部分 ChatGPT Plus 用户，秋季之后将逐步推广至所有 Plus 用户。

OpenAI 表示，春季更新期间演示的视频和屏幕共享功能并不包括在 Alpha 版本在内，而是在后面推出。

ChatGPT 高级语音模式不同于此前的语音模式，原有的音频解决方案使用了三个独立的模型：一个用于将用户的语音转换为文本，然后由 GPT-4 处理 Prompt，然后由第三个模型将 ChatGPT 生成的文本转化为语音。

GPT-4o 是一个多模态模型，能够在没有其他模型辅助的情况下处理这些任务，因为在体验上将显著降低对话的延迟。

OpenAI 还透露，GPT-4o 可以感知用户声音中的情绪语调，包括悲伤、兴奋或者唱歌；目前，Alpha 组的用户将在 ChatGPT 中收到提醒，并将收到一封邮件介绍如何使用。

据悉，高级语音模式种的预设声音将仅限 Juniper、Breeze、Cove 以及 Ember，这些都是与付费配音演员合作制作的，而 5 月份演示的 Sky 声音将不再可用。

OpenAI 发言人 Lindsay McCallum 表示，ChatGPT 目前还无法模仿其他人的声音，无论是个人还是公众人物，并且会屏蔽与这四种预设声音不同的输出。

此外，OpenAI 引入了新的过滤方式来避免模型生成受版权保护的音频，从而造成法律纠纷。

自发布 Demo 以来，OpenAI 已经与 100 多名使用 45 种不同语言的外部红队成员一起测试了 GPT-4o 语音功能，相关的安全措施报告将在 8 月初发布。