OpenAI 在其官网发布消息，宣布 ChatGPT 现在能够"看、听、说"（can now see, hear, and speak）。这意味着 ChatGPT 的交互方式从单一的文本输入输出，扩展到了语音与视觉：用户可以用语音与它对话，也可以让它理解图像内容。
发生了什么
对长期以文字输入为主的对话式 AI 来说，这是一次交互层面的扩展。此前用户需要先把想法"转译"成文字，如今可以直接说、直接拍。多模态输入降低了使用门槛，也让模型有机会在同一轮对话中同时处理语言与视觉信息。
为什么重要
- 交互范式：语音成为一等公民的输入输出通道，为实时语音对话、无障碍使用、车载与可穿戴设备等场景打开空间，产品形态不再被键盘与屏幕约束。
- 能力边界：从"读文字"到"看图像"，模型的感知范围扩大，可承载的任务从问答、写作延伸到对现实世界内容的描述与推理。
- 竞争格局：多模态已是头部模型厂商的必争之地。语音与视觉能力的补齐，会进一步抬高行业基线，并促使应用层重新设计交互与产品结构。
值得关注的点
对开发者而言，需要留意的是接入方式、能力边界与成本结构的变化，以及多模态输入如何影响提示设计与评测方法；对普通用户而言，最直接的变化是与 AI 交流的方式更接近日常沟通。相关能力的具体可用范围与限制，以官方发布页面为准。