ChatGPT语音升级！Bidi 1模型让AI边听边答，对话更自然

智东西

编译 | 茄子 编辑 | 程茜

据Testing Catalog昨天发文发布了一则消息, 消息称智东西在6月24日得到资讯, OpenAI在为GPT的语音能力去准备一次升级行动, 一款被称做GPT-Bidi-1（简叫做Bidi 1）号称新一代双向音频模型的东西最近在部分采用者的GPT网页端以及App界面里已经出现了, 预计最快这个周开始逐渐去进行推送。

网友解锁了OpenAI的语音功能（图源：X）

依照Testing Catalog所讲, 和以往那种“用户讲完、AI才回应”的轮次对话模式不一样, Bidi 1可使AI在用户讲话之际同步开展语义处理, 达成真正的双向并行交互。

所谓Bidi, 乃是bidirectional（双向）的缩写形式, 它尝试去解决语音AI长久以来存在的对话必须严格依次轮流执行的基础性问题, 在传统语音助手中, 当用户说话的时候AI必定要等待, 而在AI进行回应的时候用户是不可以插话的, 整体性的全部过程更加像是排队样式的问答。

Bidi 1期望破除这样的一种结构, 能够让AI在用户进行说话期间持续地去理解语义, 并在契合的时机同步给以回应, 从而使得对话更趋近于人与人之间那种自然的交流状况。

早期测试时, 据说到Testing Catalog里, Bidi 1的表现, 和现在的高级语音模式之间, 差距是极为明显的。Bidi 1被放置于啥地儿, 它被集成在设置中的模型选择器里, 和标准语音以及高级语音模式一道并列着。那启用Bidi 1后会怎样, 用户启用Bidi 1后语音气泡是会发生变化的。

今日足球现场直播-高清无插播

GPT - Bidi - 1的语音模式, 其图源来自测试目录。

于实际的交互情形之下, 一旦用到这类轻量化方式去自然回应, 当有用户语速放慢, 或者出现短暂停顿的时候, 它并非是完全地沉默等待。

更为关键的是, 其使使用者能够在任意时刻打断当前作出的回应, 进而切换任务, 比喻来讲, 就是让模型在从一计到十之际, 于中途提出要求进行倒数, 它可以即刻予以调整, 而后持续执行, 并不需要再度开启整个流程。

同当下的语音系统相比较而言, Bidi 1于对话连续性方面的改进更为显著。以往的语音模式常常难以稳固地保持长对话的上下文, 在经过多轮交流之后易于遗失前文的信息, 然而这一问题在新模型里头得到了显著的缓和。

与此同时, 当用户出现停顿的时候, 它并不会频繁地去抢话, 而是依据语境来判断是不是要介入, 以此让整体的对话节奏能够更加接近自然的交流。

还有一个值得留意的改变是创意能力方面存在的延续情况 , Bidi 1依旧留存着诸如唱歌 、节奏口技这类互动式的表达能力 , 然而在版权内容的处置方面显得更为严谨 , 会干脆拒绝演唱那些热门歌曲 , 不过兴许还是会试着按照指定风格去生成原创内容。

在此同时, 实时翻译能力被以更为自然的方式嵌入至语音对话里面, 依据Testing Catalog所进行的测试, 用户无需另行单独调用翻译工具, 于对话历程中便可自动达成语言转换。

此前, 借助API形式, 这一能力已被开放给开发者, 然而, Bidi 1的实时翻译能力是直接面向消费者的, 它让跨语言交流成为默认体验当中的一种。

GPT - Bidi - 1的那种实现时间上同步的翻译, 其图片来源是Testing Catalog。

审视整个演进路径后发现, 先处于OpenAI最早的原生多模态模型GPT - 4o所具备的低延迟语音对话情形, 接着过渡至Advanced Voice Mode呈现的实时语音体验状况, 而后又发展到新一代语音模型Realtime API面向开发者开放语音能力的阶段。OpenAI正一步步把语音从一个功能模块, 晋级为一种默认交互入口。

其意义在于, Bidi 1开始切实触及, 语音交互的底层结构, 对话并非“问答轮次”, 而是处于一个持续流动的, 交互过程之中。

当前, OpenAI还没有正式推出那个作品, 然而依据媒体所报道的情况来看, Bidi 1预估会在这一周开启逐步的灰度推送工作, 并且会施行分阶段开放的策略, 有一些地区也许会延迟体验。与此同时，Codex预估会在几周之后得到独立的语音能力方面的升级, 而API层面的开放有可能会更迟延一些。

结语：OpenAI押注语音将成为和AI的主要交流方式

据CNBC进行报道, 表示, OpenAI说不定会把赌注下在语音成为大多数人接触AI的主要形式这件事上, 而不是文字。

“Testing Catalog”宣称, “Bidi”或许是“OpenAI”填补文本模型跟语音层之间差距的关键之举。在此之前的语音系统一般是“文本模型加上语音外壳”的搭配形式, 然而“Bidi 1”更趋近于原生语音对话的模型形式, 它并非只是单纯将文字转变为语音, 而是在语音流当中直接展开理解与生成。这表明“对话”自身正逐渐成为“GPT”的主要交流模式。

OpenAI此次进行的升级, 其关键之处并非在于语音是不是变得更加自然, 而是在于对话结构自身是不是出现了变化。当AI可以同时做到听、说, 还能被打断并且持续保持语境的时候, 人机交互的逻辑就不再是“问与答”这种形式了, 而是更接近于一种实时协作式的交流方式。

来源：Testing Catalog、CNBC

标签： ChatGPT 语音升级 AI对话 双向交互 实时翻译