释放ChatGPT高级语音模式的力量

让我们来探索ChatGPT的高级语音模式.

作者

• Wendi Fan (ORCID: 0000–0003–0284–9166) 温迪·范 (ORCID: 0000–0003–0284–9166)

简介

在当今快节奏的世界中，方便和效率至关重要，OpenAI最新推出的ChatGPT的Advanced Voice Mode为人机交互设立了新的标准。

简而言之，ChatGPT的高级语音模式是一项强大的新功能，可以实现实时、自然的语音交流。与以前的版本不同，它可以直接理解语音而无需先将其转录成文本。这减少了延迟，使对话更加流畅和真实。用户不再需要担心说话大声或清晰，因为高级模型可以捕捉细微之处并更自然地回应。这种体验更快、更准确，感觉更像是与真人交谈，增强了用户的参与度和满意度。

其背后的技术

两种主要技术使高级语音模式成为可能：

1. 自动语音识别（ASR）

在高级语音模式的核心是自动语音识别（ASR），它直接处理您的声音以理解您的话语。这种快速、准确的系统能够适应各种口音和说话速度，确保流畅的交流。

2. 文字转语音 (TTS)

一旦您的查询被处理，文本转语音（TTS）会生成自然流畅的响应。有多个声音选项可用，这些声音既富有表现力又清晰，提升了整体用户体验。

一起，这些技术使得对话更加流畅、栩栩如生，几乎就好像你正在与一个真正的助手互动一样。

为什么OpenAI改进了语音模式

ChatGPT的旧语音模式存在几个缺点，使得交互不太顺畅和令人愉快。首先，它涉及多个步骤：您的语音被转录成文本，经过语言模型处理，然后再转换回语音。这导致延迟，增加了误解的可能性 - 如遗漏语调或语音清晰度中的细微差别。用户必须大声说话并避免停顿以防止中断。这些额外的步骤创造了一种有些僵硬和不自然的体验，因为用户必须适应模型的局限性，而不是进行轻松流畅的对话。

相比之下，新的高级语音模式能够原生地理解语音，省去了这些额外的步骤。这使得互动更加流畅，让对话感觉更加自然和反应迅速。改进显著减少了延迟，增强了整体对话流程，使用户体验更加轻松和直观。

如何开始高级模式语音对话？

要开始语音对话，我们只能在移动设备上使用该功能，因为高级语音模式尚未在桌面上提供。此外，它仅限于ChatGPT订阅者。

在右下角选择声音图标:

当您开始一个高级语音聊天时，您会看到一个带有蓝色球体的屏幕。

请注意，使用标准语音进行的对话在中心有一个黑色圆圈。

一旦一切设置就绪，您就准备好开始使用新的语音聊天了。如果这是您第一次使用高级语音，则会提示您选择一种语音。您可以随时在设置中更改您的语音，或者在语音模式中使用右上角的自定义菜单进行更改。

什么使高级语音模式与之前版本不同？

• 声音多样性和逼真感：新的语音模式拥有五个全新的声音，都是与专业配音演员合作创作的。相较于旧版本，这些声音听起来更像人类，更加自然。例如，用户现在可以选择不同音调和口音的声音。

ChatGPT 有九种栩栩如生的输出音频，每种音频都有独特的语气和个性：

• 树苑 - 随和多才
• 清风—生动而真诚
• 海湾 — 简洁直接
• Ember - 自信和乐观
• 杜松子酒 — 开放而乐观
• 枫树 — 快乐和真诚
• Sol — 睿智和放松
• 云杉 - 平静和肯定
• 谷——明亮且好奇

这些声音听起来非常逼真，甚至可以模仿人类语音中自然发生的微妙噪音或停顿。这显著增强了用户体验，使互动更加栩栩如生和身临其境。

• 改进的口音支持：新版本包含更好的对各种口音的支持，能够实现更本地化和自然的语音。例如，相比较较老版本，它能更好地处理地区口音，适应性更强。
• 新的语音模式更好地模仿不同口音，如意大利口音或俄罗斯口音的英语。我惊喜地发现ChatGPT还可以模仿其他语言中的地方口音。例如，在中文中，它可以模仿北京、河南或四川方言的口音。这种多功能性进一步提高了用户体验的真实感和个性化。
• 多语种功能：新的语音模式支持50多种语言，比如在不同语言中说“抱歉我迟到了”。旧版本的多语种支持有限，这是一个显著的改进。
• 更流畅的对话：新的文本转语音引擎提供更流畅、更流畅的对话。与旧版本相比，句子和短语之间的过渡现在更自然，不那么机械。
• 旧版语音聊天在回答问题时反应较慢，特别是在复杂问题上，需要等待很长时间才能得到答案。相比之下，新版语音模式几乎实时回应，并允许您随时打断以提出新问题。互动体验更加流畅和无缝，大大增强了整体用户体验。使用新版语音聊天，用户不再需要像之前那样大声说话。即使您轻声细语，新版本也能准确识别您的语音，使体验更加便捷和自然。

通过先进的语音模式提升用户体验

所以，高级语音模式如何提升用户体验？以下是一些关键增强功能：

1. 增加生产力

对于繁忙的用户来说，这种模式让您可以免除使用手进行任务，比如请求更新、口述电子邮件或安排会议，而无需停下来打字。非常适合多任务处理。

2. 更大的可访问性

这一特性为残障用户提供了新的与ChatGPT交互的方法，使其更易于在不依赖屏幕或键盘的情况下导航。

3. 有趣的学习和娱乐

无论是练习语言还是提出复杂问题，高级语音模式都能带来更沉浸和轻松的学习和娱乐体验。

新语音聊天的缺点

以下是新高级语音模式的一些潜在缺点：

1. 使用限制：对于Plus和Team用户，高级语音模式有每日时间限制，可能会更改。当用户接近限制时，他们会收到通知，并在当天剩余15分钟时收到最后提醒。免费用户可以访问每月预览以尝试该功能。令人失望的是，付费用户每天只能有限制的使用分钟数来使用高级语音模式。

2. 发音问题：虽然它支持多种语言，但在非英语语言中一些口音或发音可能听起来不自然或不准确。虽然英语发音很棒，但当涉及到其他像中文这样的语言时，我注意到一些词听起来相对不自然。在这些情况下很容易辨别出声音并非完全人类。

3. 高级模式的独立窗口：您不能直接在聊天窗口中使用高级语音模式；相反，您需要打开一个新的聊天窗口来开始使用它。

結論

总的来说，ChatGPT的高级语音模式在语音交互方面有了重大突破，提供更流畅、更逼真的对话体验，并支持增强口音和多语言。它极大地提高了生产力、可访问性和整体用户参与度。然而，该功能也存在一些限制，比如订阅用户每日使用次数上限、非英语语言发音问题以及需要使用单独窗口进行语音交互。尽管存在这些缺点，用户体验的改进使其成为高效和沉浸式交流的有价值工具。

参考资料

• 丹·席普. “评论: ChatGPT 的新高级语音模式”. 每日, 2024年8月9日. 阅读。于2024年10月10日访问。
• OpenAI团队 — 语音模式常见问题阅读。
• 乔丹·诺维特。“OpenAI刚刚推出了ChatGPT的高级语音模式，用于音频聊天。这是如何使用它的。”CNBC，2024年9月25日。阅读更多。于2024年10月10日访问。
• Reece Rogers。“我使用了ChatGPT的高级语音模式。很有趣，但有点令人不安”。WIRED，2024年8月13日。请阅读。于2024年10月10日访问。