已验证75% 置信事实精确时间

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

5

来源数

75%

置信度

长期有效

时效性

2026/7/11

首次发现

来源

OpenAI四线出击：GPT-5.6、Codex、语音AI与办公Agent全面解析

bilibiliVicTALK-AI版2026/7/10

相关事实

待验证端到端大模型由统一的多模态模型直接完成从语音输入到语音输出的全过程，规避流水线架构的信息损耗与累积延迟85% 相似已验证端到端语音模型架构的核心优势在于大幅降低交互延迟并保留说话者的情感与语调信号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83% 相似待验证新模型能感知说话者的音量、语气等副语言信息，并主动调大音量或切换状态83% 相似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82% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/486716

API

curl https://kongchang.com/api/v1/knowledge/claims/486716

MCP

get_claim(id=486716)