OpenAI正優化其音頻人工智能模型，為計劃中的語音驅動型個人設備做準備。

1月1日，據The Information報道，OpenAI過去兩個月內整合工程、產品和研究力量，集中攻克音頻交互的技術瓶頸，目標打造一款可通過自然語音指令操作的消費級設備。

公司內部研究人員認為，當前ChatGPT的語音模型在準確性和響應速度上均落后于文本模型，且兩者使用的底層架構并不相同。

據報道，新語音模型將具備更自然的情感表達能力和實時對話功能，包括處理對話打斷的能力，這是現有模型無法實現的關鍵特性，計劃2026年第一季度發布。

報道援引知情人士稱，OpenAI還計劃推出一系列無屏設備，包括智能眼鏡和智能音箱，將設備定位為用戶的“協作伴侶”而非單純的應用入口。

不過在推出支持語音指令的消費級AI硬件產品前，OpenAI需要先改變用戶的使用習慣。

團隊整合聚焦無屏交互方式

據報道，OpenAI當前的語音模型與文本模型分屬不同架構，導致用戶通過語音與ChatGPT對話時，獲得的回答質量和速度均遜于文本模型。

為解決這一問題，OpenAI在過去兩個月內完成了關鍵團隊整合。

在組織層面，今夏從Character.AI加入的語音研究員Kundan Kumar擔任音頻AI項目核心負責人。

產品研究主管Ben Newhouse正在重構音頻AI基礎設施，多模態ChatGPT產品經理Jackie Shannon也參與其中。

報道援引知情人士稱，新音頻模型架構能夠生成更精準深入的回應，支持與用戶實時對話，并更好地處理對話打斷等復雜場景。

在硬件形態上，OpenAI與谷歌、亞馬遜、Meta 和蘋果的判斷相似：現有主流設備并不適合未來AI交互。

OpenAI 團隊希望用戶通過“說話”而非“看屏幕”與設備互動，認為語音才是最貼近人類交流本能的方式。

此外，與OpenAI合作硬件開發的前蘋果設計主管喬尼·艾夫強調，無屏幕設計不僅更自然，還有助于避免用戶沉迷。他在5月采訪中表示：

用戶習慣培養成關鍵挑戰

OpenAI面臨的主要障礙在于用戶行為。

據報道，多數ChatGPT用戶尚未養成語音交互習慣，原因包括音頻模型質量不足或用戶未意識到該功能存在。

要推出以音頻為核心的AI設備，公司需先培養用戶通過語音與AI產品互動的習慣。

此前報道顯示，OpenAI已在2025年初斥資近65億美元收購喬尼·艾夫聯合創辦的io，并同步推進供應鏈、工業設計與模型研發等多條工作線。首款設備預計至少還需一年時間才能面世。

這一時間表意味著OpenAI需要在產品發布前，通過改進現有ChatGPT語音功能來積累用戶基礎，并驗證音頻交互在日常場景中的實用性。