OpenAI 正在全面强化自身的音频人工智能能力，为未来推出一款以语音为核心的个人AI设备铺路。这款设备将以听觉交互为主要形式，而非依赖屏幕。

目前，ChatGPT的语音功能与文本回答背后所使用的模型并不相同。OpenAI内部研究人员认为，现有音频模型在准确性和响应速度上明显落后，因此公司在过去两个月内整合了工程、产品和研究力量，集中攻克音频模型短板。这一调整直接指向OpenAI的硬件目标——打造一款可通过自然语音指令操作的消费级设备。首款产品预计至少还需要一年时间才能面世。

随着新架构的引入，音频模型已能生成更自然、更富情感的语音回应，并具备与人类同时发声、应对打断的能力。OpenAI计划在2026年第一季度正式发布该模型。在硬件形态上，OpenAI与谷歌、亚马逊、Meta和苹果的看法相似：现有主流设备并非为未来的AI交互而生。OpenAI团队希望用户通过“说话”而非“看屏幕”与设备互动，认为语音才是最贴近人类交流本能的方式。

合作推进硬件项目的乔尼・艾维也强调，无屏幕设计不仅更自然，还有助于避免用户沉迷。他认为，新一代设备应当纠正以往消费电子产品带来的负面影响，并为此承担责任。然而，OpenAI目前仍面临现实挑战。不少ChatGPT用户并未习惯使用语音功能，这种情况不仅因为音频模型效果不彰，也与功能认知不足有关。在推出音频优先的AI设备之前，OpenAI必须先改变用户的使用习惯。

OpenAI已组建专门团队推进音频AI战略。来自Character.AI的语音研究员昆丹・库马尔负责整体方向，本・纽豪斯正在重构面向音频的底层架构，多模态ChatGPT的产品经理杰基・香农也参与其中。OpenAI并不仅打算推出一款设备，而是规划了一条产品线，包括智能眼镜和无屏幕智能音箱。公司内部设想这类设备将以“伴随式助手”的形态存在，主动理解环境和用户需求，并在获得授权的情况下，通过音频和视频持续提供帮助。

为支撑这一长期布局，OpenAI已在2025年初斥资近65亿美元收购乔尼・艾维联合创办的io，并同步推进供应链、工业设计与模型研发等多条工作线。