待验证60% 置信事实精确时间

新一代端到端语音模型直接在音频层面训练，无需先将语音转为文字，可直接捕捉声学特征和情绪

2

来源数

60%

置信度

长期有效

时效性

2026/7/11

首次发现

来源

实测OpenAI新语音模型：可打断、同声传译、情绪捕捉全解析

bilibili神烦老狗2026/7/9

相关事实

已验证端到端语音模型直接以音频为输入和输出，在音频token层面进行理解与生成，保留语调、语速、叹气、笑声等声学特征84% 相似待验证新一代语音 AI 模型将音频直接作为模态输入，跳过文字转写环节，实现更自然的情感感知和语调变换83% 相似待验证工作流提供对口型模式（将用户语音冻结进音频潜空间）和模型生成语音模式两种语音生成方式81% 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81% 相似待验证当前旗舰级语音产品普遍采用大规模预训练语言模型与专用语音解码器联合训练的方案81% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/485586

API

curl https://kongchang.com/api/v1/knowledge/claims/485586

MCP

get_claim(id=485586)