上周，OpenAI 在春季新品发布会上公布了最新的 GPT-4o，并展示了一系列令人瞩目的新功能。作为一款全能模型（Omnimodel），GPT-4o 融合了文本、语音和图像三种模态的理解能力。

上周，OpenAI 在春季新品发布会上公布了最新的 GPT-4o，并展示了一系列令人瞩目的新功能。作为一款全能模型（Omnimodel），GPT-4o 融合了文本、语音和图像三种模态的理解能力。可以接受任何文本、音频和图像的组合作为输入，并直接生成上述这几种媒介输出。这意味着人机交互迈入一个全新的发展阶段。

GPT-4o：多模态实时语音助手，更快更有情感

与现有模型相比，GPT-4o 的核心亮点，当属具备了实时语音交互能力。在语音模式下，GPT-4o 能够实现高质量的语音合成和语音识别。人机对话中，GPT-4o 可以在 232 毫秒内对音频输入做出反应，甚至你还能随时打断，GPT-4o 根据情境生成不同风格的声音和情感给出无缝回复，保证前后自然融洽的连续对话。

OpenAI 的开发负责人 Mark Chen 现场演示了 GPT-4o 的语音交互能力。当 Mark 说要再次尝试深呼吸时，ChatGPT 也恰好接上话题说：「慢慢呼气。」整个过程几乎没有延迟，响应迅速且富有共情，如真人般对话。

相比之下，当前市场上的语音助手大多反应迟缓、不能被打断且缺乏情商。GPT-4o 俨然是一款进阶人工智能语音助手。

AI 大模型 打造人机语音交互范式

从最初不会说话的 AlphaGo，到之后「能说会道」的苹果 Siri 与 ChatGPT 语音版，再到如今的 GPT-4o。通过实时语音、视频输入信息的理解和高度拟人化的语音输出，呈现更具真实感与沉浸感的交互体验。GPT-4o 在人机交互的表现，特别是语音交互中的突破，开启了全新的 AI 超拟人化交互方式。

事实上，紧跟大模型发展，超拟人语音合成作为人机交互的重要表达方式，近来已经成为国内外 AI 巨头争相布局的重点。

相较于传统语音合成中「板正」、「一丝不苟」的「播音腔」问题，超拟人语音合成能够模拟人类的副语言，如呼吸、叹气、语速变化等习惯，使合成效果更接近人在日常生活中的口语表达。无论是轻松的日常聊天，还是复杂的专业问答，机器都能根据对话的场景变化调整语调和情感，让交流变得更加自然真实。

多维度 TTS 音色定制 助推 AI 语音交互商业化应用 

标贝科技专注智能语音交互领域多年，在多风格、多情感语音合成上持续深耕。依托核心的语音大模型迁移学习和深度神经网络技术，标贝科技通过分析大量真实语音数据，提取真人说话时的音色、语调、情感等特征，提高对副语言现象的建模能力。最终输出的合成声音在韵律表现、音色层次感、情感拟人化方面均有了大幅提升，MOS 评分达到 4.5 以上，无限接近真人表达。

与传统语音合成技术相比，标贝科技语音合成系统基于 GAN 和 Transformer 机制的高音质语音合成，对不同角色和情感表达的判断更加准确，高效且真实的还原波形。进一步增强了喜怒哀乐等各种类型的情感反馈能力。使得合成的声音能够自然、真实地表达说话者的意图和情感。合成过程中用户还可以随心调节停顿、语速、音量等参数，使用更灵活。

此外，结合当前智能语音产业需求现状，标贝科技不断对产品进行打磨升级，推出包括普通复刻、精品复刻、标准化音色定制的多维度 TTS 音色定制方案。方案支持特定口音、方言、语种等一站式集成定制，可以快速针对特定语言环境和使用场景优化语言模型，提供更自然、更准确的语音输出。

目前，标贝科技多维度 TTS 音色定制方案已经在智能客服、社交娱乐、新闻媒体、数字人、iOT 设备等领域得到应用，助力中国银行、人民日报、湖南电信、恒生电子等多家行业头部企业实现 AI 语音能力的应用与拓展。

GPT-4o 的问世，无疑带来了更智能、更便捷的交流方式，推动人机交互模式的革新，更带动了新一波的个性化语音交互热潮。未来，标贝科技将持续深耕智能语音交互领域，重点发力拟人化语音合成技术创新研发，解锁更丰富的应用场景，为用户打造更加全面和智能的语音交互体验。

来源：互联网