報(bào)道：OpenAI整合團(tuán)隊(duì)擬一季度發(fā)布新語音模型，為發(fā)布AI個(gè)人無屏設(shè)備鋪路

OpenAI正優(yōu)化其音頻人工智能模型，為計(jì)劃中的語音驅(qū)動型個(gè)人設(shè)備做準(zhǔn)備。

1月1日，據(jù)The Information報(bào)道，OpenAI過去兩個(gè)月內(nèi)整合工程、產(chǎn)品和研究力量，集中攻克音頻交互的技術(shù)瓶頸，目標(biāo)打造一款可通過自然語音指令操作的消費(fèi)級設(shè)備。

公司內(nèi)部研究人員認(rèn)為，當(dāng)前ChatGPT的語音模型在準(zhǔn)確性和響應(yīng)速度上均落后于文本模型，且兩者使用的底層架構(gòu)并不相同。

據(jù)報(bào)道，新語音模型將具備更自然的情感表達(dá)能力和實(shí)時(shí)對話功能，包括處理對話打斷的能力，這是現(xiàn)有模型無法實(shí)現(xiàn)的關(guān)鍵特性，計(jì)劃2026年第一季度發(fā)布。

報(bào)道援引知情人士稱，OpenAI還計(jì)劃推出一系列無屏設(shè)備，包括智能眼鏡和智能音箱，將設(shè)備定位為用戶的“協(xié)作伴侶”而非單純的應(yīng)用入口。

不過在推出支持語音指令的消費(fèi)級AI硬件產(chǎn)品前，OpenAI需要先改變用戶的使用習(xí)慣。

團(tuán)隊(duì)整合聚焦無屏交互方式

據(jù)報(bào)道，OpenAI當(dāng)前的語音模型與文本模型分屬不同架構(gòu)，導(dǎo)致用戶通過語音與ChatGPT對話時(shí)，獲得的回答質(zhì)量和速度均遜于文本模型。

為解決這一問題，OpenAI在過去兩個(gè)月內(nèi)完成了關(guān)鍵團(tuán)隊(duì)整合。

在組織層面，今夏從Character.AI加入的語音研究員Kundan Kumar擔(dān)任音頻AI項(xiàng)目核心負(fù)責(zé)人。

產(chǎn)品研究主管Ben Newhouse正在重構(gòu)音頻AI基礎(chǔ)設(shè)施，多模態(tài)ChatGPT產(chǎn)品經(jīng)理Jackie Shannon也參與其中。

報(bào)道援引知情人士稱，新音頻模型架構(gòu)能夠生成更精準(zhǔn)深入的回應(yīng)，支持與用戶實(shí)時(shí)對話，并更好地處理對話打斷等復(fù)雜場景。

在硬件形態(tài)上，OpenAI與谷歌、亞馬遜、Meta 和蘋果的判斷相似：現(xiàn)有主流設(shè)備并不適合未來AI交互。

OpenAI 團(tuán)隊(duì)希望用戶通過“說話”而非“看屏幕”與設(shè)備互動，認(rèn)為語音才是最貼近人類交流本能的方式。

此外，與OpenAI合作硬件開發(fā)的前蘋果設(shè)計(jì)主管喬尼·艾夫強(qiáng)調(diào)，無屏幕設(shè)計(jì)不僅更自然，還有助于避免用戶沉迷。他在5月采訪中表示：

用戶習(xí)慣培養(yǎng)成關(guān)鍵挑戰(zhàn)

OpenAI面臨的主要障礙在于用戶行為。

據(jù)報(bào)道，多數(shù)ChatGPT用戶尚未養(yǎng)成語音交互習(xí)慣，原因包括音頻模型質(zhì)量不足或用戶未意識到該功能存在。

要推出以音頻為核心的AI設(shè)備，公司需先培養(yǎng)用戶通過語音與AI產(chǎn)品互動的習(xí)慣。

此前報(bào)道顯示，OpenAI已在2025年初斥資近65億美元收購喬尼·艾夫聯(lián)合創(chuàng)辦的io，并同步推進(jìn)供應(yīng)鏈、工業(yè)設(shè)計(jì)與模型研發(fā)等多條工作線。首款設(shè)備預(yù)計(jì)至少還需一年時(shí)間才能面世。

這一時(shí)間表意味著OpenAI需要在產(chǎn)品發(fā)布前，通過改進(jìn)現(xiàn)有ChatGPT語音功能來積累用戶基礎(chǔ)，并驗(yàn)證音頻交互在日常場景中的實(shí)用性。