就在剛剛，OpenAI 宣佈在其 API 中推出全新一代音頻模型，包括語音轉文本和文本轉語音功能，讓開發者能夠輕鬆構建強大的語音 Agent。

新產品的核心亮點概述如下

gpt-4o-transcribe (語音轉文本)：單詞錯誤率(WER)顯著降低，在多個基準測試中優於現有 Whisper 模型

gpt-4o-mini-transcribe (語音轉文本)：gpt-4o-transcribe 的精簡版本，速度更快、效率更高

gpt-4o-mini-tts (文本轉語音)：首次支持“可引導性”(steerability)，開發者不僅能指定“說什麼”，還能控制“如何說”

據 OpenAI 介紹，新推出的 gpt-4o-transcribe 採用多樣化、高質量音頻數據集進行了長時間的訓練，能更好地捕獲語音細微差別，減少誤識別，大幅提升轉錄可靠性。

因此，gpt-4o-transcribe 更適用於處理口音多樣、環境嘈雜、語速變化等挑戰場景，比如客戶呼叫中心、會議記錄轉錄等領域。

gpt-4o-mini-transcribe 則基於 GPT-4o-mini 架構，通過知識蒸餾技術從大模型轉移能力，雖然 WER（越低越好）稍高於完整版模型，但仍舊優於原有 Whisper 模型，更適合資源有限但仍需高質量語音識別的應用場景。

這兩款模型在 FLEURS 多語言基準測試中的表現超越了現有的 Whisper v2 和 v3 模型，尤其在英語、西班牙語等多種語言上表現突出。

定價方面，GPT-4o-transcribe 與之前的 Whisper 模型價格相同，每分鐘 0.006 美元，而 GPT-4o-mini-transcribe 則是前者的一半，每分鐘 0.003 美元。

與此同時，OpenAI 還發布了新的 gpt-4o-mini-tts 文本轉語音模型。首次讓開發者不僅能指定“說什麼”，還能控制“如何說”。

具體而言，開發者可以預設多種語音風格，如“平靜”、“衝浪者”、“專業的”、“中世紀騎士”等，它還能根據指令調整語音風格，如“像富有同情心的客服 Agent 一樣說話”，定價親民，僅爲每分鐘 1 美分。

安全不能馬虎，OpenAI 表示，gpt-4o-mini-tts 將接受持續監控，以保證其輸出與預設的合成風格保持一致。

這些技術進步的背後源於 OpenAI 的多項創新：

新音頻模型建立在 GPT-4o 和 GPT-4o-mini 架構之上，採用真實音頻數據集進行預訓練

應用 self-play 方法創建的蒸餾數據集的知識蒸餾方法，實現從大模型到小模型的知識轉移

在語音轉文本技術中融入強化學習(RL)，顯著提升轉錄精度並減少“幻覺”現象。

在凌晨的直播中，OpenAI 向我們展示了一款 AI 時尚顧問 Agent 的應用案例。

當用戶詢問“我最近的訂單是什麼？”時，系統流暢回應：用戶於 2 月 9 日訂購的 Patagonia 短褲已發貨，並在後續提問中準確提供了訂單號“A.D. 507”。

值得一提的是，OpenAI 演示人員還介紹了兩種構建語音 Agent 技術路徑，第一種“語音到語音模型”採用端到端的直接處理方式。

系統可直接接收用戶語音輸入並生成語音回覆，無需中間轉換步驟。這種方式處理速度更快，已在 ChatGPT 的高級語音模式和實時 API 服務中得到應用，非常適合對響應速度要求極高的場景。

第二種“鏈式方法”則是本次發佈會的重點。

它將整個處理流程分解爲三個獨立環節：首先使用語音轉文本模型將用戶語音轉爲文字，然後由大型語言模型(LLM)處理這些文本內容並生成回應文本，最後通過文本轉語音模型將回應轉爲自然語音輸出。

這種方法的優勢在於模塊化設計，各組件可獨立優化；處理結果更穩定，因爲文本處理技術通常比直接音頻處理更成熟；同時開發門檻更低，開發者可基於現有文本系統快速添加語音功能。

OpenAI 還爲這些語音交互系統提供了多項增強功能：

支持語音流式處理，實現連續音頻輸入和輸出

內置噪音消除功能，提升語音清晰度。

語義語音活動檢測，能夠識別用戶何時完成發言

提供追蹤 UI 工具，方便開發者調試語音代理

目前，這些全新音頻模型已向全球開發者開放。

你還可以在 http://OpenAI.fm 上體驗並製作 gpt-4o-mini-tts 的相關音頻，這個演示網站可謂是功能齊全，左下角是官方的預設模板，主要包括人設、語氣、方言、發音等設置。

我們也實測了一段八百標兵奔北坡的繞口令，emmm，中文效果馬馬虎虎。至於英文效果，聽它念着詩歌，倒是挺有真人那味了，但無論是與此前走紅的 Hume AI 亦或者 Sesame 相比，“肉耳可聽”地還差點火候。

此外，OpenAI 推出了與 Agents SDK 的集成，進一步簡化開發流程。

值得一提的是，OpenAI 還舉辦了一個廣播比賽。用戶可以在 http://OpenAI.fm 製作音頻，接着使用 OpenAI.fm 上的“分享”按鈕生成鏈接，然後在 X 平臺分享該鏈接。

最具創意的前三名將各獲一臺限量版 Teenage Engineering OB-4。音頻時長建議控制在 30 秒左右，可在語音、表達、發音或劇本語調變化上盡情發揮創意。

實際上，今年 AI 的風向也在悄然發生變化，除了依舊強調智商，還多出一股趨勢，強調情感。

GPT-4.5、Grok 3 的賣點是情商，寫作更有創意，回應更個性化，而冷冰冰的機器人（智元機器人），也強調更擬人，主打一個情緒價值。

由於直接觸及人類最本能的溝通方式，語音領域在這方面的發力則更加顯著。

最近在硅谷走紅的 Sesame AI 能夠實時感知用戶情緒，並生成情感共鳴的回應，迅速俘獲了一大批用戶的心。圖靈獎得主 Yann lecun 最近也在強調，未來的 AI 需要擁有情感。

而無論是 OpenAI 今天發佈的全新語音模型、還是即將發佈的 Meta Llama 4 都有意往原生語音對話靠攏，試圖通過更自然的情感交互拉近與用戶的距離，靠“人味”圈粉。

AI 需要有人味嗎？長期以來。聊天機器人通常被定義爲沒有情感的工具，它們也會在對話中提醒你，它是一個沒有靈魂的模型。然而，我們卻往往能從中解讀出情緒價值，甚至不自覺地與之建立情感聯結。

或許人類天生渴望被理解、被陪伴，哪怕這種理解來自一臺機器。