ChatGPT 高级语音模式向付费用户推出

背景

长期以来，和聊天机器人说话要经过一串分离的步骤：先把手头的语音转成文字，由文本模型写出回复，再由另一套系统把回复读出来。每一次转手都要花时间，结果更像接力赛，而不像对话。这次上线背后的模型 GPT-4o，被描述为更直接地处理多种媒体：它接受文本、音频、图像、视频的任意组合作为输入，并生成文本、音频、图像的组合输出^[4]。OpenAI 称它对音频输入的响应可以快到 232 毫秒，平均为 320 毫秒，并将其与人类在对话中的反应时间相类比^[4]。这个数字是关键所在：日常交谈中，人们接话的间隔往往不到一秒；一个每轮都要沉默好几秒的系统，无法维持自然的来回。

GPT-4o 于 2024 年 5 月发布，语音从一开始就是演示的一部分。

发生了什么

高级语音模式（Advanced Voice Mode）——使用 GPT-4o 进行的实时语音对话——在 2024 年 9 月向 ChatGPT Plus 与 Team 订阅用户开放^[1]。它是同年早些时候展示的音频能力面向普通用户的形式，而且当时只对付费订阅者开放，没有一次性向所有人放开。

这些声音来自 2024 年 5 月的发布，当时演示了 5 种：Breeze、Cove、Ember、Juniper 和 Sky^[1]。

关键细节

这 5 种声音里有一种没能撑过发布期。2024 年 5 月 20 日，Sky 被停用，起因是斯嘉丽·约翰逊（Scarlett Johansson）表示 OpenAI 曾与她接洽，而她拒绝了^[1]。这一事件影响了外界对这套声音的讨论，也是最终上线的功能所带的声音数量少于最初展示的原因。

开发者并没有落后消费者太多。2024 年 10 月 1 日，OpenAI 推出 Realtime API，让开发者获得类似的语音到语音（speech-to-speech）能力^[1]。这个路数与许多模型发布相似：一项能力先出现在聊天产品里，随后变成外部开发者可以搭建的东西，再由此扩散到其他应用。

影响

在 ChatGPT 内部，这一变化是渐进的，而不是一次切换完成。2025 年 9 月 9 日，更早的标准语音模式（Standard Voice Mode）退役，所有用户都转到 ChatGPT Voice^[2]。叫法的变化不如方向本身重要：语音不再是一个外挂在文本产品上的备选模式，而成了主界面的一部分。

底层模型也一直在换。2026 年 7 月，GPT-Live-1 mini 取代高级语音模式，成为 ChatGPT 的默认语音模型^[3]。因此，高级语音模式更适合被理解为一个阶段而非终点——在发布演示中展示过的低延迟语音对话，从这一刻起成为普通订阅者每天可用的东西；而在这之后，他们脚下的语音层仍在继续被替换。