OpenAI预计将在今年第一季度内推出全新的纯语音人工智能模型。据悉，该模型不仅具备比以往更自然的语音生成能力，还拥有能处理与用户实时对话的高级功能。
美国科技专业媒体The Information于1日（当地时间）援引多位知情人士报道称，OpenAI即将发布新的音频AI模型，其对话处理性能将比现有语音模型更进一步。尤其值得注意的是，该模型不仅限于简单的语音输出，更达到了能够实现实时双向沟通的水平。
有观点提出，此次的语音AI可能采用不同于现有基于Transformer的GPT-realtime的全新架构。OpenAI是会转向全新的算法，还是采用Transformer的变体方式实现，目前尚未得到具体确认，但其处理方式等主要技术规格预计将得到改进。
OpenAI为此项目整合了工程、产品和研究部门的专业人才，组建了特别工作组。项目负责人是曾在Character.AI人工智能初创公司积累研究经验的昆丹·库马尔，该公司在2024年曾以谷歌通过约27亿美元（约3.89万亿韩元）的反向雇佣方式吸纳其人才而闻名。
OpenAI正探索不将此模型局限于纯语音生成，而是将其应用范围扩展至更具扩展性的音频生成领域，如音乐生成等。实际上，近期《华尔街日报》曾报道AI音乐初创公司Suno Inc.年收入超过2亿美元（约2880亿韩元），因此有预期认为，若OpenAI进入该市场，将为其消费者AI业务的扩张增添动力。
此次音频模型的开发是OpenAI计划在2027年前全面进军消费者硬件市场战略的一部分。公司计划在一年内推出语音优先的个人设备，之后可能扩展为涵盖智能音箱、智能眼镜等多种硬件产品线的组合。
为此，OpenAI于去年5月收购了iPhone联合设计师乔尼·艾夫创立的设计公司io Products Inc.。交易规模约达65亿美元（约9.36万亿韩元），此后艾夫已着手设计置于桌面上使用的智能设备。
设备端处理功能预计也将成为此项目的核心要素。正如谷歌在Pixel智能手机上通过"Gemini Nano"实现的那样，OpenAI也正在开发一种无需云端环境、可直接在用户终端处理语音指令的轻量级模型。这被解读为一项在降低成本与减少延迟方面确保竞争力的战略。
若此次语音AI模型发布得以实现，预计OpenAI将更进一步向涵盖文本、语音、多模态领域的超大规模AI平台转型。决定AI界面未来的关键，如今正始于"自然的对话"。
