已验证65% 置信事实精确时间
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
3
来源数
65%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证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。77% 相似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76% 相似待验证新版本语音模块暴露了流式转录选项，支持自定义 OpenAI TTS 语音 ID，并转发流式 STT 的语言和提示参数76% 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/516530API
curl https://kongchang.com/api/v1/knowledge/claims/516530MCP
get_claim(id=516530)