GPT-4o 最关键功能本周上线，语音交互的时代终于要来了

文章预览

Voice Agent 是与人类进行对话沟通的 AI，是下一代人机交互界面。和文本相比，声音交互的优势主要体现在： • 语音交互以其与人类自然沟通方式的高度一致性，提供了一种更为直观和低能耗的交互体验，而打字文本交互的使用门槛更高； • 语音交互非常适合于简短、即时的信息交流； • Text copilot 往往需要人机协作，最后一公里由人类完成，voice agent 一旦落地将彻底替代人类，独立完成交流任务。 以上差异使 voice agent 能产生不同于其他模态的价值，所以我们选择 voice agent 作为独立市场进行研究。 GPT-4o 是第一个实现端到端 voice-in, voice-out 的大模型，低延迟、高智能使下一代交互成为可能。传统语音中 ASR + NLP（即使被替换为 LLM）+ TTS 的延迟是用户难以接受的，且很难沿着 scaling law 产生足够智能的对话体验。GPT-4o 的出现让新的交互形态成为可能 ………………………………