不是GPT-5，而是AI语音助手？

随着 和 Llama 模型相继进入“3”时代，本该早早提上日程的 GPT-4.5/5 却迟迟不露面。

不过，别急，在大餐到来之前，一些开胃小菜已经准备好了。昨日凌晨， 宣布将于 5 月 13 日太平洋时间 10:00 直播演示一些关于 的大更新。

随后， CEO Sam 引述该消息帖子称：

不是 GPT-5，也不是搜索引擎，但我们一直在努力开发一些大家会喜欢的新东西！对我来说，它就像魔法一样。

不是GPT-5，不是AI搜索引擎，而是AI语音助手？

为啥要特意强调新品不是 AI 搜索引擎呢？这得从最近传出的一则小道消息说起。

上周，有风声传出， 正准备推出一款 AI 搜索引擎，并且矛头直指 下周即将召开的 I/O 大会，一时间让无数翘首以待的吃瓜群众迎来了久违的亢奋。

遗憾的是， 的帖子给这则流言画上了终止符号，发布会的确如预测般如期举行，但 AI 搜索引擎并不是主角，甚至连配角的位置都未必能拿到。

真正的主角已经在 The 的爆料中泄露了一些关键踪迹。

报道称 下周可能会展示一种新 AI 技术：它不仅能通过声音和文字跟人交流，还能识别物体和图像，并且逻辑推理能力也比现在市面上的产品要强。

这也是 一直在追求的目标，他想要开发出一种超级智能的 AI，像电影《Her》里的虚拟助手一样，能让 Siri 等现有的语音助手变得更有用。

其语音助手能做的事情可不止一星半点，比如帮学生辅导作业，或者在需要的时候告诉你周围环境的信息，又或者翻译个标志，教你怎么修车。

目前，这项技术已经在客服行业“攻城拔寨”。知情人士透露，新技术的音频功能可以让这些 AI 自动代理更好地理解来电者的语气，甚至还能判断他们是否在“阴阳怪气”。

实际上， 在转录音频和文本转语音等领域早有建树，无论是上个月推出的“语音引擎”（Voice ），还是更早些时候发布的 TTS（文本转语音）软件，都有着不俗的表现。

而爆料者称，新模型将把这些功能合二为一，构建一个更懂图像和音频的多模态模型，响应速度也更快。

作为 的最大金主，微软也考虑用该技术来提升语音助手，或者想办法让这些技术能在更小的设备上运行，比如可穿戴设备。

目前尚不清楚 什么时候会把这个新功能开放给付费用户，但知情人士透露， 的最终打算是将这些功能添加到免费版里。

不过，由于这些模型参数规模庞大，现在只能在云端运行，并且还需要互联网连接。要让复杂的对话 AI 变得足够小，支持在设备上运行，可能还需要数月甚至数年的时间。

除了备受关注的新模型，一些爆料的细枝末节同等重要。

The 指出，得益于即将推出的定价模式，一贯“烧钱”的 今年预计将迎来数十亿美元的收入。

如果客户通过预付费预定 ，就能享受高达 50% 的折扣。这种预订方式的折扣在云计算领域很常见，像 Azure、 Cloud 和 Web 都有这样的优惠。

此前， 已经为开发者提供了一种降低成本的方法，其在 4 月份推出新的应用程序编程接口——Batch API。如果开发者愿意批量上传模型查询并等待最长达 24 小时，就能享受到更便宜的价格。

一些 AI 服务器经销商曾表示，在他们的软件上运行开源模型比使用 的模型便宜六倍。而这种更灵活的定价，将有助于 更好地与其他模型开发人员和 AI 服务器经销商竞争。

更重要的是，知情人士还透露， 可能会在年底前完成 GPT-5 的开发并公开发布。

的大招，或许早已埋下伏笔

在生成式 AI 的赛道上一路狂奔，将所有的竞争对手们远远地甩在身后。

去年 12 月份， 挟 AI 大潮而来，发布了当时号称史上最强大模型 1.0。 超大杯在视频 demo 中，上至识别图像、玩石头剪刀布，下至人性化语音交流，都表现得游刃有余，但仅仅一天时间，视频就被曝出“造假”的丑闻。

此后， 大模型不断迭代升级，但依然并没有达到理想的程度。直到 1.5 Pro 的出现，除了分析图像和文本，还能一次性处理长达 9.5 个小时的音频，捕捉音频当中的语调情绪等。

正如上文所说，The 的报道中着重提到 的语音助手能够听懂别人的语气。现在， 即将发布的 AI 语音助手似乎也有意定点狙击 1.5 Pro 的这项特长。

对 的另一重打击则潜藏在冰山之下，尽管 否认本次直播的重头戏并不是 AI 搜索引擎，但也没否认 AI 搜索引擎存在的可能性。

早些时候在接受采访时说到，世界不需要另一个 ，并对 利用广告盈利的方式嗤之以鼻。现在看来，他似乎已经为 找到了一条新路。

至于 的 AI 语音助手会是什么样子，我们现在还不得而知，但前段时间 Hume AI 向大众开放的旗下产品——同理心语音界面（EVI），给我们打了个样，其判断情绪的能力甚至被誉为可能是未来 Siri 的样子（具体可回看 APPSO 此前的文章：第一个具有情商的聊天机器人来了，这可能是未来 Siri 的样子）。

从 EVI 的身上，我们或许也能看到 语音助手的雏形，那就是更通人性，更有人味。和 EVI 聊天的体验更接近和真人交流。

不过，抱着赢家通吃的法则， 下周推出的 AI 语音助手也很有可能将 EVI 扼杀在摇篮里。

最近 AIPRM 首席工程师 Tibor Blaho 也在社交平台 X 上曝光了 即将到来的功能和界面。

其中， 的网页版将新增一个语音模式功能。这个功能会在页面顶部的导航栏添加一个语音按钮，用户可以通过这个按钮交互式地启动或结束对话。在对话进行时，系统还会实时将语音转换成文字。

同时，自定义的 GPT（小部件）、模型、写作、上下文连接器、浏览和数据分析功能也一应俱全，有望为 AI 语音助手能力的涌现打好“地基”。

您目前设备暂不支持播放

比起与 等竞争对手的剑拔弩张， 与苹果的关系显得融洽多了。

彭博社昨日报道称， 即将与苹果达成合作协议，将 服务整合到 iOS 18 操作系统。届时，视觉和音频功能改进后的生成式 AI 将有望大幅改进 Siri。

《纽约时报》报道称，苹果两名高管在去年初花了数周时间测试 的 之后，便作出了给语音助手 Siri 进行“大脑移植”的决定。

改进后的 Siri 将于今年 6 月份的 WWDC 大会亮相。新 Siri 的对话性更强、用途更广，其 Siri 的底层技术将包括一个新的生成式 AI 系统，支持聊天功能，而不是一次回答一个问题。

而这个生成式 AI 系统的角色，很有可能正是由 下周亮相的 AI 技术扮演。

在用户的产品体验中，效率是最直接的语言。

前阿里顶级 AI 科学家贾扬清对 的新 AI 搜索功能赞不绝口，因为相较于其他的 AI 搜索引擎/答案引擎，只有 能够真正做到访问实际地址，让答案触手可及。

这种省却繁琐步骤的行为和当红 AI 炸子鸡 R1 追捧的理念如出一辙。尽管 R1 在众声唾骂中沦为中看不中用的鸡肋产品，但其所谓的大行为模型（LAM）提到的核心理念依然值得学习，即理解人类的意图，转化为可操作的步骤并实时响应。

在“Siri 之父”Dag 等人的最初构想中，也提出过相似的概念：Siri 应该是一个能够迅速而精准地获取信息的助手，一个能够熟练处理各种复杂任务的智能助理。

如今， 下周亮相的 AI 语音助手或许有望帮助苹果实现最初版 Siri 的愿景。

有趣的是，我们在两个月前报道过，一些企业客户已经提前体验了最新模型的演示以及与之相配套的 增强功能。

一位体验过 GPT-5 版本的 CEO 提到， 暗示了模型其他尚未公开的特性，包括能够调用 正在开发的 AI 代理来自动执行任务。

另外有报道指出， 与前苹果首席设计师 Jony Ive 正致力于推出一款 AI 硬件，可能会从投资者那里筹集高达 10 亿美元的资金。其中 对话式 AI 技术有望成为该设备某些功能的核心。

如今看来，这些或许也是 早早埋下的伏笔。

此前， 在接受采访时卖关子说，在 创造出 AGI 之前，将会有一大堆疯狂爆炸的事情发生。下周发布的新产品不外乎是这当中的小小一笔。

更多具体的信息，仍有待下周揭晓。现在只需调好闹钟，届时 APPSO 将带来最新的报道。