微软近期在Azure AI Foundry平台上正式推出了其最新的语音转语音（S2S）技术——GPT-realtime。这一创新产品集微软在语音技术领域的多项最新成果于一身，以自然语言处理的流畅性、音频质量的高水准以及指令执行的精准性为核心竞争力。
现在，开发者们可以借助GPT-realtime的全新实时API，体验到更加自然、富有表现力的语音输出和高质量的音频效果。微软还同步推出了两款全新的语音风格——Marin和Cedar，为用户带来前所未有的逼真与清晰的语音合成体验。
在技术层面，GPT-realtime带来了多项关键提升。它不仅增强了功能调用的灵活性，还显著提高了指令执行的准确性。尤为GPT-realtime创新性地支持图像输入，允许用户在语音交互中直接插入图像进行讨论，实现了多模态交互的新突破，而无需依赖视频流的传输。
除了技术上的全面升级，微软还对GPT-realtime的定价策略进行了优化。与先前的gpt-4o-realtime预览版相比，正式版的GPT-realtime价格下调了20%，计费方式改为依据每百万代币（token）的使用量来计算，这无疑将吸引更多开发者和企业的关注与使用。
此次GPT-realtime的发布，彰显了微软在扩展其实时AI能力方面的坚定决心。通过将高质量的语音合成、出色的音频表现以及多模态输入能力融为一体，GPT-realtime有望在多个应用场景中大放异彩，从高端客户支持服务到创新的辅助技术工具，都将受益于这一技术的强大支持。
（来源：小熊科技）
相关推荐
-
亚马逊战略调整：裁撤AGI部分岗位，聚焦核心AI项目并持续发力基建
亚马逊在本周三宣布新动态，公司正在裁撤通用人工智能（AGI）部门的部分员工，这标志着亚马逊在持续向人工智能领域投入巨额资金的同时也在进行实时的战略调整。自去年10月以来，该企业已裁撤逾3万名员工，继续通过近几…
-
三星T7 microSD TF卡：大容量多场景适配，性能安全双保障的存储利器
当平板扩容需求激增、Switch游戏掌机加载大型3A游戏、航拍无人机持续录制4K素材、运动相机捕捉高速瞬间——一张真正可靠的大容量microSDTF卡，早已不是配件，而是生产力与体验的基石。 性能不妥协：…