OpenAI 如何为实时语音 AI 重建 WebRTC 栈
OpenAI 重建了其 WebRTC 技术栈，以支撑实时语音 AI 的低延迟、全球规模与流畅的对话轮次切换。该栈面向大规模并发场景，重点解决实时语音交互中的延迟与轮次衔接问题。
#语音
#语音
今日 0 条OpenAI NewsAI 评分4040
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗智能体研究
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中，该系统 97 例无关键错误，医生更偏好其回答而非现有证据合成工具；在 20 个模拟远程问诊场景、140 项问诊技能评估中，专家医生整体表现更好，但 AI 在 68 项上达到或超过初级保健医生水平。
推荐理由：Google DeepMind 公开 AI co-clinician 研究，含 98 例零关键错误与 140 项问诊能力对比，可看医疗智能体的能力边界。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Gemini 3.1 Flash TTS 语音模型
Google DeepMind 发布 Gemini 3.1 Flash TTS，一款主打可控性与表现力的文本转语音模型，已在 Gemini API 和 Google AI Studio 面向开发者预览、在 Vertex AI 面向企业预览，并通过 Google Vids 向 Workspace 用户开放。
推荐理由：官方给出音频标签控制方式、Elo 分数与多语言覆盖，可据此判断语音生成的可控性进展。
Google DeepMind精选AI 评分7272 Google DeepMind 发布 Gemini 3.1 Flash Live 语音模型
Google DeepMind 发布 Gemini 3.1 Flash Live，称其为目前质量最高的音频与语音模型，精度更高、延迟更低。该模型在 ComplexFuncBench Audio 上取得 90.8%，在 Scale AI 的 Audio MultiChallenge 上开启 thinking 后取得 36.1%。
推荐理由：官方给出语音模型的基准成绩与多端开放入口，可据此判断实时语音智能体的能力边界。
OpenAI NewsAI 评分2020 Descript 如何用 OpenAI 推理模型实现大规模多语言视频配音
Descript 借助 OpenAI 推理模型实现大规模内容库的自动本地化，在不丢失时间轴与语义的前提下完成多语言视频配音。该方案面向大体量内容库的自动本地化需求，解决了配音中时序与含义难以兼顾的问题。
OpenAI NewsAI 评分2222 Tolan 如何用 GPT-5.1 打造语音优先 AI
Tolan 基于 GPT-5.1 打造了一款语音优先的 AI 伴侣，结合低延迟响应、实时上下文重建和记忆驱动的人格，实现自然对话。
Google DeepMind精选AI 评分6666 Google DeepMind 更新 Gemini 2.5 Flash Native Audio 并推出实时语音翻译
Google DeepMind 发布面向实时语音智能体的 Gemini 2.5 Flash Native Audio 更新版，在函数调用、指令遵循和多轮对话三方面做了改进，其中对开发者指令的遵循率从 84% 提升到 90%，在 ComplexFuncBench Audio 上以 71.5% 领先。
推荐理由：官方给出函数调用、指令遵循与多轮对话三项能力的具体提升数据，并同步上线实时语音翻译。
OpenAI News精选AI 评分6565 OpenAI 发布 gpt-realtime 并更新 Realtime API
OpenAI 发布更先进的语音到语音模型 gpt-realtime，并更新 Realtime API。新 API 能力包括 MCP server 支持、图像输入和 SIP 电话呼叫支持。
推荐理由：OpenAI 发布语音到语音新模型并扩展 Realtime API，读者可了解语音智能体接入工具与电话场景的能力边界。
OpenAI NewsAI 评分1818 Speak 如何用 AI 个性化语言学习
Speak 正借助 AI 实现语言学习的个性化。OpenAI 与 Speak CEO 兼联合创始人 Connor Zwick 展开对话，介绍相关做法。
OpenAI NewsAI 评分3535 ChatGPT 视觉与语音功能助力多模态输入与自然沟通
ChatGPT 引入视觉与语音功能，支持多模态输入，提升团队沟通效率；功能旨在使沟通更自然。
OpenAI News精选AI 评分6060 OpenAI 在 API 中推出新一代音频模型
OpenAI 在 API 中推出新一代音频模型，开发者首次可以指示文本转语音模型以特定方式说话，例如“像一位有同理心的客服人员那样说话”，为语音智能体带来新的定制能力。
推荐理由：OpenAI 在 API 中开放语音风格指令能力，读者可据此判断语音智能体的定制空间。
OpenAI News精选AI 评分6262 OpenAI 推出 Realtime API，支持开发者构建语音到语音体验
OpenAI 推出 Realtime API，开发者可将其集成到应用中，构建快速的语音到语音交互体验。
推荐理由：OpenAI 面向开发者开放 Realtime API，可用于构建低延迟的语音到语音交互体验。
OpenAI NewsAI 评分1515 OpenAI 提出 Consistency Models，实现快速生成
OpenAI 提出 Consistency Models，可在不依赖迭代采样的情况下实现图像、音频和视频生成，从而解决扩散模型生成速度慢的问题。扩散模型虽推动了这些生成领域的发展，但其迭代采样过程导致生成缓慢。
OpenAI NewsAI 评分4040 OpenAI 详解 Voice Engine 工作原理与安全研究
OpenAI 详解其文本转语音模型 Voice Engine 的技术原理及安全研究。
OpenAI NewsAI 评分2020 ChatGPT 的声音是如何选出的
OpenAI 与业内顶尖选角及导演专业人士合作，从 400 多份投稿中筛选，最终为 ChatGPT 选定 5 种声音。
OpenAI News精选AI 评分8282 OpenAI 发布新旗舰模型 GPT-4o
OpenAI 宣布推出新旗舰模型 GPT-4 Omni（GPT-4o），可在音频、视觉和文本之间进行实时推理。
推荐理由：OpenAI 官方发布新旗舰模型，读者可据此了解其在音频、视觉与文本上的实时推理定位。
OpenAI News精选AI 评分6262 OpenAI 推出 ChatGPT 和 Whisper API
OpenAI 发布 ChatGPT 和 Whisper API，将其对话模型与语音识别能力开放给开发者调用。
OpenAI NewsAI 评分4040 OpenAI 分享 Voice Engine 自定义语音模型小规模预览的经验
OpenAI 分享了自定义语音生成模型 Voice Engine 小规模预览的经验教训。该模型可根据文本创建定制声音，目前仍处于小范围测试阶段。
OpenAI News精选AI 评分7878 ChatGPT 新增看、听、说能力
OpenAI 宣布 ChatGPT 新增看、听、说能力，可处理图像与语音输入并语音回复。
OpenAI News精选AI 评分6262 OpenAI 推出 ChatGPT iOS 应用
OpenAI 发布 ChatGPT iOS 应用，可同步对话记录并支持语音输入，同时把最新的模型改进带到移动端。
推荐理由：OpenAI 官方公布 ChatGPT iOS 应用的核心能力，读者可据此了解移动端入口与语音输入带来的使用变化。
OpenAI News精选AI 评分7878 OpenAI 开源语音识别模型 Whisper
OpenAI 训练并开源了神经网络 Whisper，其在英文语音识别上接近人类水平的鲁棒性和准确率。
推荐理由：OpenAI 开源语音识别模型 Whisper，读者可了解其在英文语音识别上的鲁棒性与准确率定位。