7月9日消息,OpenAI 正式推出新一代语音模型 GPT-Live,并开始向全球 ChatGPT 用户逐步推送,用于驱动新的 ChatGPT 语音体验。官方称,GPT-Live 基于全双工架构,可同时倾听和说话;对于需要网页搜索、更深入推理或更复杂工作的提问,会在幕后委派给最新前沿模型,发布时后台使用 GPT-5.5,处理期间仍可继续交谈。从今天起推出两个版本:GPT-Live-1 与 GPT-Live-1 mini。官方计划很快引入 API,开发者和企业可预先登记通知。首发尚不支持语音与视频或屏幕共享结合使用;部分语言可能存在非母语口音或流利度不足。
两项架构变化:连续交互,以及把深入工作委派出去
OpenAI 把此前的语音路径分成两类历史方案。级联式系统把语音转文本、大语言模型、文本转语音串起来,首次让用户能与前沿模型对话,但信息可能在模型之间流失,回应也缓慢生硬。轮次式方案如高级语音模式,在单个模型内处理并生成音频,延迟更低,但仍按离散轮次运作:模型必须等用户停止说话后才能回应;轮次检测基于静默,短暂停顿或背景噪声也可能被误判为一轮结束,导致不自然插话。
GPT-Live 的改法有两层。第一是连续交互。模型不再处理一连串彼此独立的消息,而是在生成输出的同时连续处理输入,并在每秒内多次决定:说话、继续倾听、暂停、打断,还是调用工具。官方称,这让来回交流更自然,也能更好把握时间,甚至执行实时翻译。第二是把负责连续交互的 GPT-Live 与更深入的工作解耦。需要搜索、推理或更具智能体特性的能力时,任务可委派给 GPT-5.5 等模型;即使后台同时处理多个任务,对话仍可继续。这项拆分也使语音层能持续跟上最新前沿模型与智能体,而不必把所有能力塞进同一个实时语音模型。
产品层同步改的是“像不像真人说话”
OpenAI 称,每周有超过 1.5 亿人通过语音、听写等功能与 ChatGPT 交谈。从今天起,点击语音按钮将获得由 GPT-Live 驱动的升级体验:对话更自然、回答更智能、倾听更出色,并能提供可视化回应。用户可以插入问题、停下来整理思路,或让 ChatGPT 说慢一点;模型会用“嗯嗯”“明白了”等短语表示正在跟上。九种各具特色的声音也已为 GPT-Live 重新制作。
智能回答方面,语音可调用最新前沿模型,并可选 Instant、Medium、High 等推理级别。倾听方面,模型在用户思考时会等待而不抢话;被要求保持安静时会照做;面对车辆或附近谈话等背景噪声时,也更能专注用户声音。可视化方面,交谈中可针对天气、股票、体育等主题显示丰富卡片,并继续支持搜索、记忆、图片和文件上传。
可用性上,GPT-Live 正面向全球用户在 iOS、Android 和 ChatGPT.com 推出。GPT-Live-1 成为 Go、Plus 和 Pro 用户的默认语音驱动模型,GPT-Live-1 mini 成为 Free 用户的默认模型。需要视频或屏幕共享时,用户仍可回退到 Standard 或高级语音模式等旧版。
官方评测:更受偏好,但结果均来自自述
OpenAI 构建了新的人类评测,衡量愉悦度和对话流畅度。在匹配的 5 到 10 分钟一对一对比中,GPT-Live-1 与 mini 在整体偏好、轮流发言、打断、对话流与自然程度上,均明显优于高级语音模式。能力侧,官方称 GPT-Live-1 在 GPQA、BrowseComp,以及内部变体 τ³-Voice Telecom 上均优于高级语音模式。脚注说明:GPT-Live-1 Instant 与 mini 后台使用 GPT-5.5 Instant;Medium 与 High 使用 GPT-5.5 Thinking,并分别采用中、高推理强度。这些结果均来自 OpenAI 自述。
真正的增量是交互范式,不是又一个更聪明的音色
市场容易把 GPT-Live 理解成“语音更好听、更聪明”。更准确的变化是交互范式:从对讲机式轮流发言,转向接近真人通话的连续对话,同时把重计算留在后台。这意味着语音不再只是输入法替代,而开始具备承载更长、更复杂、更具智能体特性工作的接口潜力。OpenAI 自己也把长期方向写成:用语音完成越来越复杂、持续时间更长的任务。
不能过度解读的地方同样来自官方边界。首发仍不支持视频与屏幕共享;部分语言体验未齐;API 尚未上线,企业侧还不能立刻嵌进自有语音代理。安全方面,OpenAI 称已扩展音频原生评估与合成评估,覆盖自伤、精神病性症状和躁狂、对 AI 的情感依赖、暴力与性内容,并进行语音特有风险红队测试;系统可在说话过程中引导更安全回应、展示资源,或在高风险情形结束对话;青少年可通过家长控制管理语音使用,高风险自伤迹象下已关联家长可能收到通知。模型使用预定义声音,并配有防止模仿真实人物声音的保障。真实世界表现仍需上线后观察。
接下来要看 API 开放,以及语音能否承接更重的代理任务
短期关键节点是 API 落地时间,以及视频、屏幕共享何时补齐。中期则要看官方提出的方向是否成立:语音能否从日常闲聊与免提问答,扩展到更长周期、更代理化的工作。如果后台委派足够稳,GPT-Live 会把“能聊天”和“能办事”拆成可分别迭代的两层;如果委派延迟或中断过多,用户体感仍会回到旧式语音助手。