待验证50% 置信事实精确时间
真正原生支持语音输出的模型（如GPT-4o的实时语音模式）采用语音token直接建模的方式，跳过文本中间态，但这类模型通常闭源、难以私有化部署，且在工具调用等复杂任务上表现不如纯文本推理模型。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/15
首次发现
有效期至：2027/1/13
来源
涉及实体
相关事实
待验证业内常用方案包括 Twilio 语音 API 负责电话接入、Whisper 等模型负责转写、GPT-4o 或类似模型负责意图理解和回复生成79% 相似待验证OpenAI的GPT-Live语音模型采用端到端架构，原始音频波形直接输入模型，模型直接输出音频，中间不再经过独立的ASR和TTS模块79% 相似已验证早期ChatGPT语音采用级联架构，先语音转文字、再由大语言模型生成回答、最后转成语音播出77% 相似待验证OpenAI在GPT-4o系统卡中发现了一种罕见的非授权语音生成现象，模型会意外模仿用户自己的声音77% 相似已验证新一代语音交互转向端到端的多模态模型架构，直接在语音信号层面理解和生成，压缩延迟并保留副语言信息75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1036764API
curl https://kongchang.com/api/v1/knowledge/claims/1036764MCP
get_claim(id=1036764)