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 http://chatgpt.com 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🤖。