6月16日至24日，OpenAI的下一代语音模型Bidi-1（内部代号GPT-bidi-1）经历了一轮密集的社区泄露。虽然OpenAI官方至今未发一言，但来自TestingCatalog、ChrissGPT等多个渠道的信息已经拼凑出一幅相当完整的图景：一个能同时听和说、支持实时翻译、提供三档智能水平的下一代语音AI，即将到来。
“双向”意味着什么？
“Bidi”是”Bi-directional”（双向）的缩写，这是Bidi-1与当前GPT-4o语音模式最大的架构差异。现在的ChatGPT语音模式虽然支持打断，但本质上是”轮次制”——你说完，它思考，它回答。而真正的双向音频意味着：模型可以在听你说的同时生成回答.
这对用户体验的改变是根本性的：你可以像和真人聊天一样在对方话说到一半时”嗯嗯”回应、中途插话补充、边说边改口——模型都能听懂并自然应对，而不是等你”把话说完”才开始处理。
Three levels of intelligence: Instant/Medium/High
据TestingCatalog的详细爆料，Bidi-1将首次在语音模式中引入三档可选智能水平:
- Instant（即时）：极低延迟，适合日常快速对话
- Medium（中等）：平衡速度与深度
- High（高级）：调用更强推理能力，适合复杂问题
这种分层设计类似于Anthropic的”Extended Thinking”开关——让用户在速度和质量之间自主选择。对于开发者来说，这意味着可以通过API在不同场景下调用不同成本的语音能力。
Real-time translation: API’s biggest selling point
6月23日，TestingCatalog进一步爆料：Bidi-1将内置实时翻译能力，且”这将解锁大量API用例”。目前的Whisper+GPT+TTS翻译管道需要几百毫秒延迟，而Bidi-1承诺的是在单个双向音频流中完成端到端语音翻译——不经过文本中转。
If true, this will directly impact the existing simultaneous interpretation tools, real-time translation for video conferencing, and AI assistant markets for customer service call centers.
需要注意的”但书”
- 没有官方确认：截至6月26日，OpenAI未发布任何Bidi-1模型卡、定价或发布日期
- 音频样本来源存疑：ChrissGPT分享的早期测试音频来源是”朋友的早期访问”——链条不透明
- 语言覆盖未知：实时翻译支持哪些语言对？没有公开信息
- 欧州用户可能落后：TestingCatalog提示EEA、英国、瑞士用户可能更晚获得访问
Summary: The next inflection point of voice AI
Bidi-1的泄露信息描绘了一个清晰的升级路径：GPT-4o的轮次式语音将被真正的双向对话取代，同时实时翻译成为API标配能力。无论Bidi-1下周发布还是下季度发布，语音AI的竞争标准已经被抬高了——Anthropic、Google和开源社区都将被迫对标。
想第一时间了解AI工具的最新动态？访问 AI Dash 查看最新AI工具评测。