注：OpenAI 今年 5 月发布多模态大模型 GPT-4o，基于端到端语音技术打造，具备更低延时、可随时打断等特性。随后，OpenAI 于 9 月 25 日面向 ChatGPT Plus 付费用户推送了高级语音功能。

此前，主流的语音方案是 ASR（自动语音识别） LLM（大语言模型） TTS（语音合成）：输入端识别语音、转化成文本；大模型处理内容生成新文本；文本合成为语音、最终输出。

但上述方案的不足在于机器响应时间较长、人类无法随时打断，与人类的自然聊天状态存在差距。相比之下，端到端省去了“语音转文字再转语音”的中间过程，可以压缩机器响应时间，人类也可随时打断机器。同时，端到端还可帮助改善“幻觉”：用户可立即打断输出并给出新的提示词。