前言
如果期望與 ChatGPT 進行實時的語音交流，可以直接使用 ChatGPT 的 APP 就可以了，本文完。😂
當然，這需要每月 20 美刀。如果只是想偶爾使用，似乎用 API 的方式更划算。
應該有已經封裝好的，可以直接調用 API 進行實時語音交流的工具，暫時沒找到滿意的，求推薦。
speakdual.com 這個網站算一個，但語音識別部分只支持英文。語音識別使用的是瀏覽器 API，理論上支持中文的，但是作者沒有開放源碼，無法修改。
如果要手動實現的話，需要考慮三部分內容， Speech Recognition, AI, Text to speech
Speech Recognition
語音識別可以直接使用 瀏覽器 API，
Web Speech API - Web API 接口參考 | MDN
好用但不太常用的JS API - Web Speech API開發者指南 - 掘金
Dictation
可以在這個網站上進行測試，默認支持的是英文，說出 "Chinese"，可以切換到中文識別，而且中英文混合識別的效果也不錯。
也可以直接使用 OpenAI 家的 API Speech to text - OpenAI API
還有就是本地輸入法的語音識別，例如搜狗輸入法就有這個功能，當然，這個就沒法通過 API 來調用了。
或者使用其它的語音識別 API，如訊飛：語音轉寫 API 文檔 | 訊飛開放平臺文檔中心
從成本和可用性來說，Chrome 瀏覽器自帶的，應該就足夠使用了。
AI
這個就沒啥說的了，直接調用 OpenAI GPT 的 API，github 上有很多實現。
TTS （Text to speech）
這個可以使用 elevenlabs 的服務， Speech Synthesis: Generate AI Audio & Voiceovers
eleven_multilingual_v2 模型對中英文的效果都不錯。不過 API 價格不是很美麗，免費的每月只有 10000 字符額度，如果經常使用，還不如直接買 ChatGPT 的付費版本。
或者也可以使用瀏覽器的 API，不知道效果如何。
實踐
Chatbox 是一個很好的 GPT 助手，通過 API 調用 GPT 服務。
這個 PR 是一個爲 Chatbox 添加實時 TTS 的實現
Auto TTS by JasonGrass · Pull Request #1031 · Bin-Huang/chatbox
還需要很多改進，如語音識別部分沒有處理。當前我是在本地通過輸入法的語音識別操作的。
如果能夠直接使用瀏覽器的語音識別 API，加上界面修改，完全可以達到 speakdual.com 的效果。
參考文章
通過OpenAI API可以建立一個和GPT 4進行實時語音對話的系統 - 掘金
Chrome 語音識別
好用但不太常用的JS API - Web Speech API開發者指南 - 掘金
這裏有關於瀏覽器語音識別 API 和 TTS API 的使用與測試說明
Voice to Text with Chrome Web Speech API