gpt，Gemini，claude，还有Grok都有语音交互模式，但是他们的语音模式背后模型都是lite版本很笨，比如官方说4o多模态，实际上在视频或者语音通话时，调用的是微调的4o-mini。智能级别和对话模型完全不能比。或者像claude智力足够但拿转码模型转tts给llm，延迟还是不能接受 
最近一直在关注sesame这种原生的即时语音交互模型，感觉市面上缺一款在即时语音上聪明的AI