继今年年初有消息称，OpenAI正在筹备一款基于双向音频架构（BiDirectional Audio）的下一代语音模型，旨在优化ChatGPT的语音交互体验后。日前有消息显示，OpenAI方面已开始在ChatGPT中测试一款代号为Bidi 1的双向语音模型，并有望在本周启动更大范围测试。对此有消息源透露，这或将是ChatGPT语音体验的最大规模升级。
但截至目前，OpenAI方面尚未对此消息进行回应。
目前曝光的相关截图显示， Bidi 1已经出现在ChatGPT设置页的模型选择器内，启用后ChatGPT的语音模式气泡将从蓝色变为黄色。在相关测试视频中表明，除了可以实现更自然的语音输出外，Bidi 1还支持边说边听，并可以在对话中途响应新的指令，以及实现实时翻译。例如当Bidi 1开始根据要求从1数到10，但用户在中途打断并要求倒数，该模型就会立即执行。
据悉，这并非OpenAI首次推出具备实时翻译能力的语音模型。此前在今年5月，OpenAI就曾同时发布3款语音模型，其中的GPT-Realtime-Translate便聚焦实时语言翻译场景，支持70种输入语言和13种输出语言。但需要注意的是，GPT-Realtime-Translate是一个API产品，仅面向开发者。
对此有观点认为，“Bidi 1的不同之处在于，它是ChatGPT消费者端的原生语音模式升级，意味着数亿ChatGPT用户将直接获得双向实时翻译能力，无需任何开发集成”。
据了解，今年5月OpenAI方面发布的另外两款语音模型则分别是GPT-Realtime-2、GPT-Realtime-Whisper。前者专为实时语音交互设计，上下文窗口由上一代的32K增长至128K，是首款具备GPT-5级推理能力的语音模型，可以在保持对话自然流畅的前提下，实时进行逻辑推理、调用工具。后者则专注于低延迟语音转文本，能在用户说话的同时转录音频。
【本文图片来自网络】
