Rain科技3月7日消息，据媒体报道，OpenAI正在研发一种全新的语音模型，旨在让用户与ChatGPT的对话更加自然流畅。这项技术的核心突破在于，当用户在AI说话过程中打断系统时，AI能够实时调整回应，而不是像现在这样突然停止。
目前ChatGPT的高级语音模式采用的是回合式对话机制，用户必须先说完话，AI才会处理语音并生成回答。如果用户在AI发言时插入”okay”或”mm-hm”等简短回应，系统通常会直接停止，无法像正常对话那样继续推进交流。这种“轮询式”的交互方式，虽然保证了AI输出的完整性，但在追求实时、自然交互的场景下显得不够灵活，容易打断用户的思考节奏。
为解决这一问题，OpenAI正在开发的BiDi（双向语音模型）能够持续处理说话者的语音输入，因此在被打断时可以立即调整回应。相比之下，现有的语音模型一旦开始生成回答，输出内容就基本固定，无法再根据新的输入进行变化。BiDi模型的关键在于其“实时响应”和“动态调整”能力，这将极大地提升语音交互的自然度，使其更接近人与人之间的实时对话体验。
这项技术目前仍处于开发阶段。据知情人士透露，原型模型在持续对话几分钟后容易出现故障，有时甚至会发出不自然的声音。OpenAI研究人员原本希望今年第一季度发布BiDi，但目前最新的发布时间可能推迟到第二季度或更晚。尽管面临技术挑战，但可以预见，一旦成熟，BiDi将成为下一代语音AI的重要基石，解决当前语音交互的痛点。
OpenAI认为，如果语音模型能够在性能上接近文本模型，AI的使用范围将进一步扩大，因为大多数人更习惯与AI进行语音交流，而不是输入文字。语音交互的普及，不仅在于其便捷性，更在于它能够降低技术门槛，让更广泛的用户群体能够轻松地利用AI技术，从而带来更广泛的社会和经济效益。BiDi模型在客服场景中可能尤其有价值。
例如，当顾客与零售商的AI客服通话时，如果顾客在对话过程中临时决定选择换货而非退货，BiDi模型理论上可以让AI客服顺畅调整对话，而不会突然停止或出现混乱。这种流畅的切换和智能的应变，将显著提升用户在服务场景中的满意度，减少不必要的误解和挫败感，为企业带来更高的服务效率和客户忠诚度。
知情人士还透露，BiDi模型在调用外部工具和应用方面也更灵活。OpenAI此前表示，公司计划为未来一款主要通过语音交互的AI设备改进语音模型，并考虑开发一款智能音箱，通过语音指令即可查看邮件或预订服务。这些举措表明，OpenAI正朝着构建一个更智能、更易用的语音AI生态系统迈进，BiDi技术将是实现这一愿景的关键一环，有望推动AI在家庭、办公等多元化场景中的深度应用。
