AI范兒 · 產品拆解? 4 分鐘

說實話，我現在大部分時候，包括寫這篇文章，都是用語音輸入法來完成的。

語音正在慢慢變成我使用軟件最自然的一種方式，而且它的速度確實會比打字快很多。

但現在的語音產品，已經不只是"語音轉文字"這么簡單了。它開始能夠理解語義，真正知道你想表達什么，還能結合上下文，甚至直接幫你完成一些操作。

這里列了三種不同的語音使用模式：

1. 語音交互模式 這種模式不僅能理解我們說的話，還能幫我們真正去執行任務。比如我們常見的點外賣、點奶茶等操作。

2. 系統到語音模式 軟件能將上下文信息轉化為實時的語音提示。比如系統會通過語音方式提醒你：“現在該去登機了。”

3. 實時語音交互模式 這更多是指實時的翻譯對話或同聲傳譯等應用場景。

某種程度上，語音正在變成一種新的交互界面。以前是點圖形界面，配合打字輸入，但現在越來越多的軟件開始變成"直接對話"。

就在昨晚，OpenAI 又發布了一套新的實時語音模型。核心其實就一句話：

AI 不只是能聽懂你說什么了，它開始能一邊聽、一邊理解、一邊行動了。

這一次一口氣發布了三個模型，但最核心的是 GPT-Realtime-2。

01GPT-5 級推理能力

OpenAI 表示，GPT-Realtime-2 是他們第一個具備 GPT-5 級別推理能力的實時語音模型。

以前的語音助手，就是你一句我一句的，Siri 那種。沒法處理上下文，更別說主動完成任務了。

但這個東西開始有點像真正的 Agent 了。它不僅能理解對話，還能調用工具、處理中斷、保持長上下文記憶，甚至在對話過程中持續推理。

比如你說一句："幫我訂一張明天下午去上海的票，最好靠窗，順便看看天氣。"

它不是機械地拆關鍵詞，而是真的會一步步開始完成任務。這已經很接近我們理想中的 AI 助理形態了。

OpenAI 在這里舉了一個例子，就是說他跟那個語音助手說：“我現在要去開一個客戶會了，那你能幫我檢查一下那個日程安排嗎？”

它很快就幫他查好，并告訴他接下來的日程安排是什么樣子的。

這個時候突然有個人插進來要跟他講話，他就跟助理說：“你稍等一會兒，我現在要跟那個同事講話。” 那個助理就安安靜靜地待在后面。

再之后，他又繼續回到跟助理的對話中。

然后他就跟它講，把今天重要的內容更新到 CRM 系統里去。它就調用了 CRM 系統，然后把它更新進去了。

特別有意思的是，它不僅能聽懂你說的話，而且還會跟一個真人一樣：在需要它安靜待在那邊的時候，它就待在那邊；最后還能幫你具體執行一些任務，而不只是對話了。

還有一個大升級：上下文窗口從 32K Token 直接提升到了 128K Token。

以前聊久了，AI 很容易"失憶"。現在這種情況會好很多。

02它開始懂語氣了

一個很有意思的點，是它開始強調"語音里的情緒感"。

OpenAI 提到，它會更自然地控制語調和反饋方式。提問時保持冷靜，用戶沮喪時給予理解，問題解決后表達積極的反饋。

這特別像真人溝通里的"語氣"。

很多時候，人與人交流，真正影響體驗的，并不是答案本身，而是說話方式。

這也是為什么很多事情當面聊比打字要好得多，文字是冷冰冰的，語言本身是有情緒在里面的。

另一個變化是，它現在支持并行工具調用。可以同時處理多個任務，而不是像以前那樣一個一個排隊。

在基準測試里，Big Bench Audio 數據從上一代的 81.4% 提升到了 96.6%。

03同聲傳譯要來了

另一個模型是 GPT-Realtime-Translate，專門做實時翻譯。

它支持 70 多種輸入語言，輸出 13 種語言。

重點不是"翻譯"本身，而是它已經開始接近"同聲傳譯"了：一個人講話的時候，它幾乎可以同步把另一種語言說出來，還能盡量保持原本的語速、語氣和上下文。

口音、專業詞匯、上下文切換，都能處理。

OpenAI 在這里舉了一個例子：一個人在用法語演講，通過電腦實時轉成了英語；接著另一個人直接用德語打斷，系統也能直接翻譯成英語。

更厲害的是，其中涉及到的一些專業詞匯，比如 GPT、Computer Use 等等，它都能夠幫你很好地解釋出來。

這個東西一旦成熟，真的會很夸張。

旅游、跨國會議、客服、教育，甚至直播行業，都會被影響。

感覺同聲傳譯行業要被顛覆掉了。

提示坦率講，我在會議現場看到過實時字幕翻譯，確實蠻震撼的。但現在能力還太弱，明顯能看到一些錯誤翻譯。這次的更新，是奔著真正可用去的。

04邊說邊出字幕

最后一個是 GPT-Realtime-Whisper，主要負責實時轉錄。簡單講，就是邊說邊出字幕。

會議記錄、課堂字幕、活動直播、實時筆記，這些場景都非常適合。

這次發布的，其實還只是 API，目前更多還是給開發者用。但 OpenAI 表示，很快會進入到 ChatGPT 里面去。已經有網友發出內測體驗了，感覺很爽。

說實話，我非常期待這個功能。有了它，做項目的時候不需要再盯著 Codex 一直打字了，直接說："幫我做這個，幫我做那個！"它調用工具幫你全做掉。

這就是為什么越來越多 AI 產品開始"語音優先"。以前認為 AI 的入口是聊天框，但接下來，它很可能慢慢變成麥克風。

你不用再"輸入 Prompt"。

因為相比鍵盤，人類本來就更擅長說話。

你現在用語音輸入的頻率高嗎？聊聊你覺得最大的障礙是什么

覺得有用 → 點個??在看轉給朋友