根据ChatGPT最新测试版中潜藏的代码线索，其高级语音模式——一个让用户能与聊天机器人实时互动的功能，即将迎来视觉能力的加持。尽管OpenAI尚未正式公布这一新功能的发布日期，但Android Authority在ChatGPT v1.2024.317测试版中发现的代码暗示，一个名为“实时摄像头”的功能或即将面世。
今年5月，OpenAI首次以alpha形式展示了ChatGPT高级语音模式的视觉功能。在当时的演示中，该系统能够借助手机摄像头识别物体，如识别出正在观看的狗、根据过往互动认出这只狗、识别出狗旁边的球，并将狗与球的关系（如玩捡球游戏）联系起来。这一功能迅速赢得了alpha测试者的青睐，例如X用户Manuel Sainsily就巧妙地利用该功能，通过摄像头视频源回答了关于他的新小猫的口头提问。
随后，在9月，高级语音模式以测试版形式向Plus和Enterprise用户开放，但当时并未新增视觉功能。然而，这并未阻碍用户热情探索其语音交互的极限。据公司介绍，高级语音模式“提供更为自然的实时对话体验，允许用户随时打断，并能感知和响应用户的情绪”。
数字视觉的融入无疑将使ChatGPT的高级语音模式在竞争中脱颖而出，特别是与主要对手谷歌和Meta相比。近几个月来，这两家公司也推出了自己的对话功能，但Gemini Live虽能支持40多种语言，却尚不具备环境感知能力（至少在Project Astra项目启动前如此）；而Meta在Connect 2024活动上首秀的自然语音交互功能，同样无法利用摄像头输入。
此外，OpenAI今日还宣布，高级语音模式现已扩展至桌面版ChatGPT Plus付费账户。此前，该功能仅限于移动设备使用，现在用户也可直接在笔记本电脑或PC上享受这一便捷体验。