待验证50% 置信事实精确时间
OpenAI的ChatGPT高级语音模式基于GPT-4o端到端语音架构，直接将音频输入映射到音频输出，延迟压缩至300毫秒以内
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/14
首次发现
有效期至：2026/10/12
来源
相关事实
待验证领先水平的实时语音转录延迟约在200-400毫秒，业界主流方案包括OpenAI的Whisper、Google Speech-to-Text和AssemblyAI78% 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77% 相似待验证早期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76% 相似待验证端到端语音处理架构直接在统一模型内处理音频token，理论延迟可压缩至200ms以内75% 相似待验证OpenAI 官方称新版 ChatGPT Voice 能一边说话一边聆听，比以往更聪明，并且知道何时插话、何时退让74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/508002API
curl https://kongchang.com/api/v1/knowledge/claims/508002MCP
get_claim(id=508002)