ChatGPT把语音搬进主界面：边说边看图，转录实时生成，还能一键“后悔”回到旧版

OpenAI宣布取消独立“语音模式”入口，将实时语音与视觉输出直接嵌入ChatGPT主聊天窗口。用户按住🎤即可边说话边看地图/图表/图片，对话文字转录同步出现，无需再跳转页面。

核心更新  

- 多模态同屏:语音提问时，界面实时显示相关视觉结果（路线地图、数据图表、商品图等），并自动滚动文字转录  

- 交互零打断:可连续追问，模型在语音回复同时更新画面，平均延迟<300ms  

- 后悔药开关:设置→语音→“沉浸式音频模式”可切回旧版独立界面，满足纯音频偏好

技术底座  

新语音由GPT-5.1-large+多模态视觉编码器驱动，上下文窗口100k tokens;语音端侧VAD+云端ASR，转录准确率96%，支持12种语言。

发布与覆盖  

- 即刻推送:Plus/Pro/Team用户全平台可用，免费版稍后分批开放  

- 硬件适配:已针对iPhone15系列与Pixel9优化，低功耗模式下续航影响<4%  

- API计划:2026Q1向开发者开放RealtimeMultimodal接口，支持在第三方App内调用同款语音+视觉能力

OpenAI表示，本次合并是“ChatGPT6.0体验”的第一步，后续将加入购物比价、群聊语音等场景，持续拓展多模态边界。