OpenAI正在大力优化其语音人工智能模型，旨在为即将推出的语音驱动型个人设备铺平道路。

据The Information 1月1日报道，过去两个月，OpenAI整合了工程、产品和研究等部门的力量，集中攻克语音交互的技术瓶颈，目标是打造一款能够通过自然语音指令操作的消费级设备。

公司内部研究人员坦言，目前ChatGPT的语音模型在准确性和响应速度上都逊色于文本模型，且两者采用的底层架构并不相同。

报道称，全新的语音模型将具备更自然的情感表达能力和实时对话功能，其中包括处理对话被打断的能力，这是现有模型尚未实现的关键特性，计划于2026年第一季度发布。

知情人士向媒体透露，OpenAI还计划推出一系列无屏设备，例如智能眼镜和智能音箱，并将这些设备定位为用户的“协作伙伴”，而非单纯的应用入口。

然而，在推出支持语音指令的消费级AI硬件产品之前，OpenAI必须先改变用户的使用习惯。

团队整合聚焦无屏交互

报道指出，OpenAI当前的语音模型与文本模型分属不同架构，导致用户通过语音与ChatGPT对话时，获得的回答质量和速度均不及文本模型。

为了解决这一问题，OpenAI在过去两个月内完成了关键团队的整合。

在组织层面，今夏从Character.AI加入的语音研究员Kundan Kumar已担任音频AI项目核心负责人。

产品研究主管Ben Newhouse正在重构音频AI基础设施，多模态ChatGPT产品经理Jackie Shannon也参与其中。

知情人士表示，新语音模型架构能够生成更精准深入的回应，支持与用户实时对话，并能更好地处理对话打断等复杂场景。

在硬件形态上，OpenAI与谷歌、亚马逊、Meta和苹果的判断相似：现有主流设备并不适合未来AI交互。

OpenAI团队希望用户通过“说话”而非“看屏幕”与设备互动，认为语音才是最贴近人类交流本能的方式。

此外，与OpenAI合作硬件开发的前苹果设计主管乔尼·艾夫强调，无屏幕设计不仅更自然，还有助于避免用户沉迷。他在5月采访中表示：

即便初衷无害，若产品产生不良后果，也需承担责任。这种责任感驱动着我当前的工作。

用户习惯培养成关键挑战

OpenAI面临的主要障碍在于用户行为。

据报道，多数ChatGPT用户尚未养成语音交互习惯，原因包括音频模型质量不足或用户未意识到该功能存在。

要推出以音频为核心的AI设备，公司需先培养用户通过语音与AI产品互动的习惯。

此前报道显示，OpenAI已在2025年初斥资近65亿美元收购乔尼·艾夫联合创办的io，并同步推进供应链、工业设计与模型研发等多条工作线。首款设备预计至少还需一年时间才能面世。

这一时间表意味着OpenAI需要在产品发布前，通过改进现有ChatGPT语音功能来积累用户基础，并验证音频交互在日常场景中的实用性。