OpenAI 推出全新语音模型，AI 语音助手更进一步

3 月 21 日，OpenAI 发布了一系列全新的语音模型，涵盖语音转文本（STT）和文本转语音（TTS）两大方向，让开发者能更轻松地打造智能语音助手。这次更新带来了三款新模型：

• gpt-4o-transcribe（语音转文本）：识别准确率进一步提升，单词错误率（WER）降低，在多个测试中超越了 Whisper 模型。
• gpt-4o-mini-transcribe（精简版 STT）：在保证识别质量的同时，速度更快，资源占用更少。
• gpt-4o-mini-tts（文本转语音）：支持“可引导性”，开发者可以控制 AI 说话的方式，而不仅仅是内容。

这次升级，意味着 AI 语音交互距离“更自然、更拟人”的目标又迈进了一步。

语音识别更强，适应各种复杂场景

gpt-4o-transcribe 采用了更丰富的高质量音频数据进行训练，能够更精准地捕捉语音细节，减少错误识别，在嘈杂环境、不同口音甚至快语速情况下都能稳定转录，适用于多个实际场景，比如：

• 客服中心，面对来自全球的用户咨询时，能够精准理解不同口音，减少人工处理成本。
• 会议记录，即使多人同时交谈，也能清晰转录，不再需要手动整理笔记。

而 gpt-4o-mini-transcribe 则更偏向于资源有限但仍需要高质量语音识别的场景。虽然比完整版稍逊一筹，但整体表现依然优于 Whisper 模型，在多语言测试中也表现出色，尤其是英语和西班牙语等语言。

文本转语音的进化，不再是“电子音”

这次推出的 gpt-4o-mini-tts，让 AI 朗读文本的方式发生了质的变化。以往的语音合成听起来生硬、毫无情感，而这次，开发者可以直接控制 AI 说话的风格，比如：

• 正式、专业的客服语气
• 轻松愉快的年轻人聊天风格
• 充满激情的演讲风格
• 甚至是模仿中世纪骑士的古典腔调

你还可以给 AI 设定更具体的语气，比如“像一位温暖而富有同情心的医生一样说话”，让 AI 以更贴合情境的方式表达内容。

价格方面

• gpt-4o-transcribe：每分钟 0.006 美元，与原来的 Whisper 模型价格一致。
• gpt-4o-mini-transcribe：更便宜，每分钟 0.003 美元。
• gpt-4o-mini-tts：每分钟 0.015 美元，进一步降低了高质量语音合成的门槛。

国内想使用 OpenAI的开发者或者团队，都会遇到充值的难题，国内的信用卡和银行卡都不行，作者在这里推荐使用海外虚拟卡，作者使用两年多啦，比较方便，支付宝直接充值使用，随充随到，冲多了可以秒提现到支付宝账号。

虚拟卡链接 ：https://bewildcard.com/i/GPT310 (opens new window)

语音 AI 的两种实现方式

OpenAI 在直播中演示了 AI 语音助手的实际应用，还介绍了两种主流的语音 AI 处理方式：

1. 语音到语音的端到端模型

系统直接将用户语音输入转换成语音回复，中间不经过文本转换。这种方式反应更快，已经应用在 ChatGPT 的高级语音模式中，适合需要即时响应的场景，比如智能语音助手、实时翻译等。

2. “链式方法”

这也是 OpenAI 重点介绍的方案。这种方法将语音交互拆解为三个步骤：

1. 语音转文本（STT），先把用户说的话转成文字。
2. 文本处理（LLM），AI 理解文本内容并生成回应。
3. 文本转语音（TTS），最终再用 AI 语音朗读生成的回复。

相比端到端模型，这种方法的好处是更稳定、可控，同时也更容易集成到现有的 AI 系统中。开发者可以基于已有的文本处理能力，快速扩展语音功能，而不需要重新训练语音模型。

值得一提的是，OpenAI 还举办了一个广播比赛。 用户可以在 http://OpenAI.fm (opens new window) 制作音频，接着使用 OpenAI.fm 上的「分享」按钮生成链接，然后在 X 平台分享。最具创意的前三名将各获一台限量版 Teenage Engineering OB-4。音频时长建议控制在 30 秒左右，可在语音、表达、发音或剧本语调变化上尽情发挥创意。

语音 AI 的未来：更自然，更有“人味”

今年 AI 领域的一个新趋势是强调情感价值，不再只是冷冰冰的工具，而是向着更拟人化的方向发展。GPT-4.5、Grok 3 都在强调“更有个性、更有情绪”，而语音 AI 作为最接近人类沟通方式的技术，正在变得越来越像真人。

最近在硅谷爆火的 Sesame AI 就是一个典型例子，它能实时感知用户情绪，并做出更具共鸣的回应。与此同时，OpenAI 这次的语音升级、以及即将发布的 Meta Llama 4，也都在向更自然的语音交互靠拢。

AI 需要更“有人味”吗？很多聊天机器人都会声明自己“没有情感”，但用户依然会在与 AI 的对话中找到情绪价值，甚至不自觉地与 AI 建立某种情感连接。或许，这就是人类天生的沟通需求——即使对方是 AI，我们依然希望被理解，被倾听。

未来的 AI，不只是能听懂你的话，而是能真正理解你的情绪，这才是语音 AI 进化的终极方向。