GPT-4o 最關(guān)鍵功能本周上線，語音交互的時代終于要來了

AIGC動態(tài)歡迎閱讀

原標(biāo)題：GPT-4o 最關(guān)鍵功能本周上線，語音交互的時代終于要來了
關(guān)鍵字：公司,模型,語音,領(lǐng)域,場景
文章來源：Founder Park
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

Voice Agent 是與人類進行對話溝通的 AI，是下一代人機交互界面。和文本相比，聲音交互的優(yōu)勢主要體現(xiàn)在：
? 語音交互以其與人類自然溝通方式的高度一致性，提供了一種更為直觀和低能耗的交互體驗，而打字文本交互的使用門檻更高；
? 語音交互非常適合于簡短、即時的信息交流；
? Text copilot 往往需要人機協(xié)作，最后一公里由人類完成，voice agent 一旦落地將徹底替代人類，完成交流任務(wù)。
以上差異使 voice agent 能產(chǎn)生不同于其他模態(tài)的價值，所以我們選擇 voice agent 作為市場進行研究。
GPT-4o 是第一個實現(xiàn)端到端 voice-in, voice-out 的大模型，低延遲、高智能使下一代交互成為可能。傳統(tǒng)語音中 ASR + NLP（即使被替換為 LLM）+ TTS 的延遲是用戶難以接受的，且很難沿著 scaling law 產(chǎn)生足夠智能的對話體驗。GPT-4o 的出現(xiàn)讓新的交互形態(tài)成為可能，帶來了更多應(yīng)用場景的想象。
本篇研究中，我們根據(jù)不同場景對于實時性、準(zhǔn)確性、創(chuàng)造性的不同要求搭建了分析 voice agent 能力稟賦框架，

原文鏈接：GPT-4o 最關(guān)鍵功能本周上線，語音交互的時代終于要來了