待验证60% 置信事实精确时间

端到端原生架构直接处理音频输入并输出音频，不依赖中间转换步骤，可保留更丰富的声学特征

2

来源数

60%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

GPT-Live-1深度解析：OpenAI如何让语音AI学会倾听而非抢话

rss2026/7/8

相关事实

待验证端到端架构直接处理音频输入并输出音频，跳过中间文字转换环节，从而压缩延迟并保留语气、停顿与情感信息83% 相似待验证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80% 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80% 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79% 相似待验证OpenAI新模型采用端到端语音架构，直接以音频作为输入和输出，跳过中间文字转换环节78% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/491129

API

curl https://kongchang.com/api/v1/knowledge/claims/491129

MCP

get_claim(id=491129)