目前，OpenAI 提供了两种类型的语音对话 —— 标准语音和高级语音：
1）高级语音：目前正在向 Plus 和 Team 用户逐步推出。该功能使用 GPT-4o 的原生音频技术，能够实现更加自然的实时对话，并捕捉非语言线索（例如语速），还能作出情感化的回应。
Plus 和 Team 用户每天对高级语音的使用量有限制，包括语音输入和输出。企业版和教育版的用户将在下周开始获得该功能。
2）标准语音：适用于所有登录 ChatGPT的用户，并可以通过 iOS、macOS 和Android 应用使用。
标准语音通过多种模型生成响应，包括将语音转录为文本，再传递给模型进行回答。
尽管标准语音不像高级语音那样具备原生多模式功能，但它仍然使用 GPT-4o 和 GPT-4o mini。需要注意的是，标准语音中的每一次提示都会计入消息限制。
要开始语音对话，需要选择屏幕右下角的“语音”图标：
当开始高级语音对话时，用户将被带到一个屏幕，屏幕中心有一个蓝色球体：
AVM 将在一周内逐步向所有 Plus 和 Team 用户推送。在等待期间，OpenAI 还增加了“自定义指令”、记忆功能、五种新语音和改进的口音支持，还可以用超过 50 种语言说“抱歉，我迟到了”。
此外，ChatGPT 还新增了五种可供用户体验的语音：Arbor、Maple、Sol、 Spruce 和 Vale，加上之前的 Breeze、Juniper、Cove 和 Ember，ChatGPT 语音总数达到了九种，几乎赶上了谷歌 Gemini Live 的数量。
Arbor - 随和且多功能
Breeze - 生动活泼
Cove - 沉着且直接
Ember——自信而乐观
Juniper – 开放而乐观
Maple——开朗、坦诚
Sol - 精明且放松
Spruce——冷静而肯定
Vale——聪明且好奇
OpenAI 表示，自从 AVM 的有限 alpha 测试发布以来，已经进行了多项改进。据称ChatGPT的语音功能现在对口音的理解能力更强，且对话更加顺畅和迅速。
OpenAI 还将 ChatGPT 部分定制功能扩展到了 AVM，包括“自定义指令”，允许用户个性化 ChatGPT 的响应方式，以及“记忆功能”，让 ChatGPT 能够记住之前的对话以供以后参考。