6月22日消息,OpenAI 正在推送 ChatGPT 的下一代语音模式 GPT-Bidi-1。与当前的 Advanced Voice Mode 不同,Bidi 采用双向音频架构,模型可以边听边说、接受打断、中途调整回答,而不是在用户插嘴时直接停顿。该模式将提供 High、Medium、Instant 三个智能层级,用户可以按场景在推理深度和响应延迟之间自主切换。目前功能代码已出现在 Web 和移动端框架中,预计以独立选项的形式与现有 Advanced Voice Mode 并存。
技术架构:从半双工到全双工的跨越
当前 ChatGPT 的 Advanced Voice Mode 本质上是半双工系统:用户说完话,模型处理音频,生成文本再转语音输出。如果用户在模型说话时插入"嗯""好的"之类的确认词,模型会直接停止发言而非自然地继续。这导致了一个反直觉的交互问题——用户越积极参与对话,模型表现越差。
GPT-Bidi-1 的"Bidi"即 Bidirectional,指模型同时处理输入和输出音频流。它不需要等用户说完才开始处理,而是持续监听用户语音,实时判断是否需要调整当前输出。用户说"等一下,我改主意了"时,模型可以平滑地切换话题而不是僵住或从头开始。
The Information 早在 3 月就报道了 OpenAI 在开发 BiDi 模型。当时的信息指出该模型在使用外部工具方面也有提升,这意味着语音模式下的 Agent 能力也在同步进化——不只是说话更自然,还能在对话中执行搜索、预订、邮件查看等操作。
三个智能层级是另一个关键设计:High 提供最深的推理能力,Medium 平衡深度与速度,Instant 以最低延迟优先。这与文本侧已有的模型分层逻辑一致。对于"帮我分析这段代码"和"今天天气怎么样"显然需要不同的推理预算。
用户实测反馈:比 90% 的呼叫中心客服更自然
已经拿到推送的用户反馈高度一致:模型能在用户说话时实时计数、纠正口误、发出呼吸声和笑声、在适当时机插话。有用户形容"它会打断你、会呼吸、会笑、会插话、会纠正你,比我们习惯的 90% 的呼叫中心客服更自然"。
这种评价不是在说模型比人更好,而是在说当前绝大多数客服电话交互的体验本身就很差。Bidi 模式需要超越的不是人类对话的完整形态,而是那种生硬的"请说出您的需求——我没有听清您说的——请重新描述"循环。从这个标准看,用户反馈认为 Bidi 已经跨过了这个门槛。
对企业客服场景的影响值得关注。Investing.com 引述知情人士的话称,如果零售商的 AI 客服正在处理退货流程,客户中途改主意要换货,Bidi 模型可以平滑过渡而不会混乱或重新开始。这个例子虽然简单,但恰好命中了当前语音 AI 在实际部署中最常见的断裂点。
竞品格局:Sesame 领跑自然度,Gemini Live 占生态
AI 语音交互在 2026 年已经形成清晰的竞争分层。
Sesame 是当前体验自然度的标杆。由 Oculus 联合创始人创办,采用自研的 CSM(Conversational Speech Model)将文本和音频处理融合为单一流程,而非传统的先生成文本再转语音。Sesame 的语音代理能打断用户、为打断道歉、在句中改变想法——它不是全双工,但做到了感觉像全双工。5 月底已在 39 个国家上线 iOS App。PCWorld 称其为"测试过的最接近真人的 AI 语音"。
Gemini 3.1 Flash Live 是 Google 的 speech-to-speech 方案,3 月发布,支持 90+ 语言的实时音频对音频处理,在工具调用基准(ComplexFuncBench Audio)上领先。它的优势在于 Google 生态整合和多语言覆盖,但自然度不如 Sesame。
Hume EVI 4 和 Deepgram 代表了企业级语音 AI 的另一条路线:级联架构(STT → LLM → TTS),可观测性更强,但延迟更高。
Claude 目前没有 speech-to-speech 模型,语音场景完全依赖级联管线。 GPT-Bidi-1 的定位介于 Sesame 的极致自然度和 Gemini 的生态覆盖之间:它有 ChatGPT 的用户基数优势(尽管市场份额已跌至 46.4%),有多层级智能切换的灵活性,但在纯粹的对话自然度上是否能追上 Sesame,需要更大规模的用户反馈验证。
OpenAI 的战略意图:文本领先但语音落后的弥合
GPT-Bidi-1 不是一个孤立的功能更新。OpenAI 的文本模型已经迭代到 GPT-5.5 甚至 GPT-5.6,推理能力持续攀升,但语音栈的进化明显滞后。用户在打字和说话两种模式下得到的是截然不同层级的智能体验,这种割裂正在侵蚀 ChatGPT 的产品一致性。
此外,OpenAI 此前透露过计划开发以语音为主要交互方式的 AI 硬件设备,包括可能的智能音箱。Bidi 模型是这条硬件路线的技术前提——没有自然的双向语音能力,任何语音优先的硬件产品都不会成立。
时机上也有压力。ChatGPT 市场份额已跌破 50%(Artificial Analysis 数据),年烧钱 340 亿美元(190 亿研发 + 60 亿市场),营收跑率约 130 亿美元。GPT-Bidi-1 和即将发布的 GPT-5.6 是 OpenAI 在用户留存上的关键赌注。
三个维度的局限性:幻觉放大、隐私风险与延迟未知
第一,语音模式会放大幻觉问题。文本交互中用户可以快速扫读、跳过可疑内容、复制验证。语音交互是线性的——模型说什么用户就听什么,回溯和验证的成本极高。如果 Bidi 模型在更自然的对话中输出不准确的信息,用户可能因为对话的流畅性而降低警惕。更自然的语音并不意味着更准确的内容,但人类的认知偏差会让两者混淆。这不是一个技术问题,而是一个产品设计层面的结构性风险。
第二,常驻麦克风带来隐私焦虑。双向模式意味着模型需要持续监听音频流才能实现打断和实时响应。OpenAI 尚未详细说明音频数据的本地处理与云端传输边界。对于企业部署(如客服场景),通话内容的存储和处理合规性是绕不过的问题。在欧洲 GDPR 和中国个人信息保护法框架下,持续音频流的处理将面临比文本交互更严格的审查。
第三,实际延迟数据缺失。当前所有关于 Bidi 模式的信息来自泄露截图和少量用户测试,OpenAI 没有公布正式的延迟基准。语音交互的体验门槛约为首次音频响应 300 毫秒以内。High 模式如果追求深度推理,延迟是否会突破这个阈值?Instant 模式牺牲多少推理质量来换取速度?在正式发布之前,这些核心参数都还是未知数。目前该功能仍在灰度推送中,正式名称也可能在发布前调整。