现在gpt的语音聊天模型是多元一体，还是纯粹tts音频?|实现语音聊天体验 靠的是提示词还是训练🌐 链接:

也就是说他是由语音识别模型，识别用户的话，转成文字，发给文本模型，然后再通过tts模型将文本转化成语音， 还是说直接全模态处理一切信息，直接理解用户说了什么，并且将它转化为字幕 同时，直接输出音频，并将自己的音频也转化成字幕(当然转换成字幕这一步也有可能是语音识别模型做的 或者AI的那一边可能是语音识别模型自己主动做的) 无论如何，今天玩上一个Plus 好陌生的词，我好像是第一次玩Plus 🤔 懒得翻设置，也懒得聊天了，打算以后留作改网站的备用 因为新登录，所以自然而然又给我推了一下新的voice，然后就去体验了一下…