OpenAI於20日宣布在其API中，推出3款全新一代音訊模型，包括文字轉語音、語音轉文字功能，改進先前版本，不僅能精準辨識口音和語調，還能指定說話風格，讓AI語音表達更自然，開發者能建立更精準、更強大的AI語音代理（Agent）。記者李琦瑋／綜合報導

OpenAI於20日宣布在其API中，推出3款全新一代音訊模型，包括文字轉語音、語音轉文字功能，改進先前版本，不僅能精準辨識口音和語調，還能指定說話風格，讓AI語音表達更自然，開發者能建立更精準、更強大的AI語音代理（Agent）。

[caption id="attachment_164666" align="alignnone" width="1200"] OpenAI推全新語音文字互轉模型，能指定說話風格，助攻AI語音應用。（圖／123RF）[/caption]

OpenAI新推出的語音轉文字模型「gpt-4o-transcribe」、「gpt-4o-mini-transcribe」支援超過100種語言，讓單字錯誤率顯著降低，在多個基準測試中優於現有Whisper模型。

延伸閱讀：迎戰中國AI！OpenAI推Responses API和Agents SDK 兩者差在哪裡？白話告訴你！

這兩款模型採用多樣化、高品質音訊資料集進行了長時間的訓練，在嘈雜環境中，也能精準辨識語音細微差別、大幅降低「幻覺」帶來的錯誤，更適用於處理口音語調多元、環境吵雜、語速變化等場景，例如客戶服務中心、會議記錄轉錄等情境。

而新推出的文字轉語音模型「gpt-4o‑mini‑tts」，不僅能產生細膩、自然的語音，還首次支援「可操控性 （steerability）」，也就是說開發者可以指定「說什麼」，還能控制「如何說」，可用自然語言指令指定說話風格，例如要求它以「瘋狂科學家的口吻」或「像冥想老師一樣平和的聲音」說話，可以進一步應用於客服（具同理心的語音，提升用戶體驗）和創意內容（為有聲書或遊戲角色設計個性化聲音）。

對OpenAI而言，這些新模型符合更廣泛的AI代理願景，即打造能夠自主代替用戶執行任務的AI系統。OpenAI平台產品負責人Olivier Godement表示，未來幾個月，大眾將看到越來越多這樣的AI代理問世，OpenAI的核心目標就是協助企業客戶與開發者利用這些實用、可用且準確的AI代理。

※探索職場，透視薪資行情，請參考【科技類-職缺百科】幫助你找到最適合的舞台！

這篇文章 OpenAI推語音文字互轉模型！能指定說話風格、助攻AI語音應用 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

大家有沒有看過電影名偵探柯南、還有很多電腦 AI 與演員互動的科技電影？裡頭有各種很炫的模仿人聲，或是擬真的電腦人語音劇情橋段。現在有了 AI 技術，語音合成與語調模仿不在是不可能的任務。

作者：
蔡鈺鼎（逢甲大學 精密系統設計學士學位學程 及 電聲碩士學位學程學程 副教授兼學程主任 ）

大家有沒有看過電影名偵探柯南、還有很多電腦 AI 與演員互動的科技電影？裡頭有各種很炫的模仿人聲，或是擬真的電腦人語音劇情橋段。現在有了 AI 技術，語音合成與語調模仿不在是不可能的任務。

此技術稱為語音轉換（VOICE conversion, VC）是一種轉換語音的任務，由原說話者說出的語句聲音再經由模型轉換變成目標說話者的聲音，同時保持語句內容不變。

近年來由於軟硬體與演算法技術的成長，VC 方面的各項任務如：歌聲合成、文本到語音合成、文字到音素、旋律／歌詞轉錄、錄音質量的語音增強、自動語音識別等，都有各種使用場景的突破，造福影音工作者縮減工作量，並廣泛用於行銷宣傳。

由於語音的合成與比對有諸多的限制，傳統的技術方法有時間對齊、頻率的穩定與音調對應，以及各種場景的干涉與合成等諸多面向，使得以往利用傳統最佳化或語音演算法來實踐 VC 技術實際上是很困難的。

現今以 AI 深度學習為基底的演算法可說是很成功的。深度學習的進步對聲碼技術產生了深遠的影響，從 Big Data 分析，利用各項融合數據，藉由大量有規則的訓練模式來萃取語音特徵，並有效的進行目標語音合成。

另一大進步性在於語音分析和重建模塊，通常使用傳統的參數聲碼器會有過於模式簡化或是仰賴手動調整使得 VC 效果不彰，但利用深度類神經方法使得聲碼器進化成可訓練和對應數據來驅動生成模型，從資料中學習從聲學特徵重建高傳真的音頻波形。

目前常見或商用的軟體舉例如：

• 美國 Google VC（https://cloud.google.com/text-to-speech）
• 韓國首爾大學研究團隊（https://supertone.ai/）
• 日本 Crimon 科技（https://crimsontech.jp/）
• 西班牙 Voicemod（https://www.voicemod.net/）

都可以很快速地做即時音調的轉換，根據期待的場景反映出相對應的聲音！看完大家是不是很想要嘗試與 AI 互動一下，一起創造更多有特色的聲音呢！

這篇文章 AI 語音生成再進化！柯南變聲器不再是卡通道具 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。