OpenAI 旗下 GPT-4o 的高级语音模式（Advanced Voice Mode）近期迎来重大更新，不仅能进行更自然的语音交互，还新增了令人瞩目的“唱歌”功能。尽管当前唱歌表现尚显稚嫩，但这一突破无疑为 AI 的多模态交互能力开辟了新可能。AIbase 综合整理最新信息，为您解析 GPT-4o 语音模式的最新进展及其潜力。
唱歌功能上线:AI也能“开嗓”
最新消息显示，GPT-4o 的高级语音模式现已支持唱歌功能，用户可以通过语音指令要求 AI 演唱歌曲，甚至包括一些受版权保护的曲目。这一功能让 GPT-4o 能够根据用户需求生成旋律、歌词或模仿特定风格的演唱，为交互体验增添趣味性。尽管目前“唱功”仍需优化，AIbase 观察到，这一功能的加入标志着 GPT-4o 在音频生成领域的全新尝试。
多模态交互再升级:更自然、更情感
GPT-4o 的高级语音模式以其端到端语音处理能力著称，相较于传统语音模式（依赖语音转文本再生成语音），新模式直接处理音频输入，显著降低了响应延迟，平均仅为320毫秒。此外，GPT-4o 能够捕捉用户的语速、语气等非语言线索，并以更富情感的语音回应，甚至支持用户随时打断对话，带来接近人类对话的自然体验。
功能亮点:笑声、哭声全能驾驭
除了唱歌，GPT-4o 高级语音模式还能根据指令生成笑声、哭声等情感表达，进一步丰富了交互场景。例如，用户可以要求 AI 以戏剧化、幽默或特定角色的语气进行回应，如模仿动画角色或名人语音。这种灵活性使其在娱乐、教育和创意内容生成领域展现出巨大潜力。
当前局限:唱歌仍需打磨
尽管新增了唱歌功能，但 GPT-4o 的演唱表现尚未达到专业水准。测试中，AI 在处理复杂旋律或高音时可能显得不够流畅，且部分用户反馈其语音质量相较于其他 AI 语音模型（如 Pi AI 或 Siri）略显逊色，采样率较低导致音质略有压缩感。OpenAI 表示，唱歌功能的加入旨在探索音频生成边界，未来将通过持续优化提升表现。
安全与版权考量:有限制的创新
为尊重版权，OpenAI 对 GPT-4o 的语音输出设置了严格的过滤机制，限制其生成受版权保护的音乐内容。然而，近期信息显示，部分用户已成功让 AI 演唱受版权保护的歌曲，引发了关于版权界限的讨论。此外，GPT-4o 在某些音频任务（如自动歌唱评分或语音合成）上存在较高拒绝率，可能是出于避免生成未经授权内容或缺乏客观标准的考量。
语音 AI 的新篇章
GPT-4o 高级语音模式的更新，尤其是唱歌功能的加入，标志着 OpenAI 在多模态 AI 领域的持续突破。尽管当前唱歌表现有待提升，但其低延迟、自然交互和情感表达能力已显著领先于传统语音助手，如 Siri 和 Alexa。AIbase 认为，随着 OpenAI 进一步优化音质和版权处理机制，GPT-4o 有望在教育、娱乐和客户服务等领域掀起新的应用热潮。
结语
GPT-4o 高级语音模式的唱歌功能为 AI 交互注入了更多趣味与可能性，尽管仍需技术打磨，其创新意义不容忽视。从低延迟对话到情感化表达，GPT-4o 正在重新定义人机交互的边界。