OpenAI 刚刚发布了一套全新的音频模型，专为打造更自然、更灵敏的语音助手而设计。ChatGPT 的幕后推手 OpenAI 表示，这是将 AI 从纯文本交互带入更直观语音对话的重要一步。没错，AI 终于要“开口说话”了，而且听起来比以往任何时候都更像真人！

AI 要真正走进我们的生活，光靠打字聊天是远远不够的。试想一下，如果我们能像和朋友聊天一样，直接用语音和 AI 交流，那该多爽？OpenAI 显然也看到了这一点，这次的新音频模型，就是他们从文本走向语音的“核武器”。

过去几个月，OpenAI 在文本智能体上没少下功夫，比如推出了 Operator 和 Agents SDK。但现在，他们把目光投向了语音，目标是让 AI 不仅能“听懂”我们的话，还能用自然的声音“回应”我们。用 OpenAI 的话说：“为了让智能体真正发挥作用，人们需要能够与它们进行更深入、更直观的交互——用自然口语进行有效沟通。”

如果说语音转文字是“听力升级”，那文字转语音就是“表达革命”。OpenAI 的 GPT-4o-mini-tts 模型，最大的亮点是引入了“可控性”（steerability）。简单来说，开发者不仅能决定 AI 说什么，还能控制它怎么说——语气、语调、情感，统统可以自定义。

在今天的直播演示中，OpenAI 工程师 Iaroslav Tverdoklhib 给我们秀了一手：他输入指令“像疯狂科学家一样说话：高能量、混乱”，模型立刻用一种激动又略带狂乱的语气读出了文本。OpenAI 还贴心地上线了一个互动网站 openai.fm，让大家可以自己动手试试这些语音效果。Iaroslav 说：“你可以想多具体就多具体，告诉模型你想要什么节奏、什么情绪。”这简直是给 AI 配音师的工作啊！

对于开发者来说，这次还有个超级福利：OpenAI 更新了 Agents SDK，让文本智能体转成语音智能体变得超简单。在演示中，他们展示了一个案例：一个文本客服智能体，只加了九行代码，就升级成了能听懂语音问题并用自然语音回复的智能体。整个流程——语音转文字、语言模型处理、再转回语音——都由 SDK 一手包办。这对开发者来说，简直是“傻瓜式”操作，省时又省力。

说到实际应用，价格肯定是大家关心的点。这次新模型的定价非常接地气：

相比之前的模型，这些新品不仅性能更强，价格还更低。这样的性价比，估计会让不少开发者笑出声。

这些模型这么牛，靠的是什么？OpenAI 用到了不少黑科技，比如：

他们还透露，未来会继续优化这些模型，甚至考虑让开发者上传自定义语音，当然，前提是得符合安全标准。

语音技术一直是科技圈的“老梦想”，希望能让人类和机器的交互更自然。但过去，转录错误和机械化的声音总是让人失望。如果 OpenAI 的新模型真能像 benchmark 数据里那么优秀，那它们可能会彻底改变这个局面。从客服系统到语言学习 app，语音交互的体验都将迎来质的飞跃。想象一下，未来的 AI 助手，不仅能听懂你的话，还能用你喜欢的声音、语气和你聊天，这画面太美了！

目前，这些新模型已经通过 OpenAI 的 API 向所有开发者开放，大家可以马上上手试试。