OpenAI新语音模型实现同时听说，实时翻译更自然

OpenAI于2026年7月9日正式发布新一代语音模型，首次实现“同时说话与聆听”能力。这一技术突破使得实时对话中的延迟和中断感大幅降低，尤其在同声传译、多语言通话等场景下，AI能够像人类翻译员一样边听边说，无需等待对方发言完毕。

核心能力：并行语音处理

据TechCrunch独家报道，新模型的核心架构采用了端到端的流式处理技术，能够同时解析输入的语音信号并生成输出语音。与以往需要“先完整听、再完整说”的流水线模式不同，新模型支持在接收用户语音的同时，开始输出翻译或回复内容。OpenAI发言人表示：“这是语音AI从‘问答式’向‘对话式’转变的关键一步。”

“我们的人机交互最终会像人与人对话一样自然——说话时不必刻意停顿，倾听时可以随时回应。这个模型让我们离那个目标更近了。”——OpenAI产品副总裁 匿名引述

实时翻译场景的杀手级应用

该语音模型最直接的落地场景是实时翻译。传统AI翻译设备或软件通常需要等待说话人讲完一个完整句子才能开始翻译，导致谈话节奏被打乱。新模型允许翻译在用户说话过程中便以“延迟极小但不中断”的方式输出，且能保留原话的语调、停顿和情感色彩。例如，当用户用中文说“这个问题有点棘手”，模型可在用户尚未说完“棘手”时就开始输出英文“This is a bit tricky...”，并在语气上匹配原话的犹豫感。

除此之外，该模型还可用于语音助手、自动客服、虚拟角色对话等领域。在嘈杂环境或多人会话中，其并行处理能力也能更好地分离和追踪声源。

行业背景与历史对比

OpenAI此前在2024年发布的GPT-4o具备语音模式，但当时仅支持“轮询式”对话（用户说完模型再回答）。2025年推出的高级语音模式（Advanced Voice Mode）虽然改善了延迟，但依然无法做到真正的并行。此次新模型从网络架构层面重新设计了语音编码器与解码器的耦合方式，使得输入输出流不再互斥。

分析师指出，这一突破可能得益于OpenAI在2025年收购的初创公司波音音频（Boeing Audio）的部分技术，以及其自研的实时注意力机制。

编者按：从“轮流”到“同时”，语音交互的范式革命

人类日常交谈中，重叠发言（Overlap）是自然现象而非错误。先前的AI语音系统之所以避免重叠，是因为计算资源限制和模型训练策略的保守。此次OpenAI勇敢打破这一禁忌，将提升真实对话的流畅度。不过，真正的挑战在于如何平衡“实时性”与“准确性”：当模型输出尚未听完输入时，可能因上下文不完整而产生误译。OpenAI表示，新模型采用自适应延迟控制，在语速较快或内容复杂时主动推迟输出，以保证质量。长远来看，这一技术将重新定义人机语音交互的基准线。

本文编译自TechCrunch