7月24日消息,OpenAI 和 Anthropic 在同一天各自更新了语音能力。OpenAI 将全双工语音模型 GPT-Live 接入 macOS 和 Windows 版 ChatGPT 桌面应用,用户可以用语音在 Codex 和 ChatGPT Work 中发起并行任务、免提编排多个智能体。Anthropic 则把 Claude 语音模式的底层模型从仅 Haiku 一档扩展为 Opus、Sonnet、Haiku 三档可选,并打通了 Gmail、Slack 等连接器。两条更新单看都是功能迭代,放在一起看,指向同一个变化:语音的定位正在从"和 AI 聊天"变成"指挥 AI 干活"的入口。 OpenAI:语音开始直接指挥 Codex
OpenAI 这次更新的核心是桌面端。据报道,GPT-Live 接入桌面应用后可以直接驱动 Codex 和 ChatGPT Work 两个智能体模式:用户用语音发起多条并行任务线程——查 bug、审 PR、写测试——智能体在后台执行,macOS 版还能结合屏幕上下文功能分析前台窗口。功能面向 Plus、Pro、Business、Edu 和 Enterprise 付费用户,语音任务消耗现有 Codex 和 ChatGPT Work 套餐额度。
这次落地依托的是 7 月 8 日发布的 GPT-Live。这是一个全双工语音模型,可以同时听和说,分 GPT-Live-1 和 GPT-Live-1 mini 两个版本,复杂推理在后台委派给 GPT-5.5。OpenAI 披露其周语音用户已超过 1.5 亿。配套的底座在 7 月 9 日就已就位:Codex 并入新版 ChatGPT 桌面应用,与 ChatGPT Work 并列,两者合计周活用户超 1000 万。两周内的三个动作——发语音模型、并智能体入口、接通两者——是一条完整的产品线推进。
Anthropic:换更强的模型,不动语音栈本身
Anthropic 的更新在另一个层面。Claude 语音模式此前仅由 Haiku 驱动,7 月 23 日起可在 Opus、Sonnet、Haiku 三档间选择,默认沿用用户最近在文字聊天中使用的模型,并自动取该系列的最快版本。语音模式同时打通了连接器,可以通过语音调用 Gmail、Google Calendar、Slack、Canva、Notion 等应用执行实际操作。
这次更新全平台、全用户可用,但仍挂着 beta 标识,免费用户仅限 Haiku 且只能连接 1 个应用。一个容易被忽略的细节是:Anthropic 没有改动语音栈本身,语音识别和合成管线保持原样,变化的只是背后的对话模型档位和可调用的工具范围。官方也未披露语音模式的用户规模。
两条路径的分歧:重建语音栈与只换模型档位
两家公司在同一周做同一件事,做法却几乎相反。OpenAI 是从底层重建的:为语音专门训练了全双工模型,再把它接到生产力场景最强的桌面端和编程智能体上,目标明确——让语音成为智能体工作的指挥界面。Anthropic 则完全没动语音管线,只是把语音模式接到更强的模型和更多的工具上,本质是把语音当作触达既有能力的另一个入口。
阶段差异也很明显。OpenAI 的语音已经是亿级周活的成熟产品,这次是在既有规模上叠加生产力场景;Anthropic 的语音模式仍在 beta,用量未披露,免费档的限制说明它还在控制成本阶段。驱动约束不同:OpenAI 要解决的问题是界面带宽——智能体并行干活时,打字和盯屏幕成了瓶颈,全双工语音是对症的解法;Anthropic 要解决的问题是能力接入——语音模式的模型太弱、能调的工具太少,那就换模型、开连接器。
共同背景:智能体走出聊天框,界面瓶颈换了位置
单独看 OpenAI 的更新,定性是"语音功能上了桌面"。单独看 Anthropic 的更新,定性是"语音模式换了个更强的模型"。放在一起,值得注意的不是任何一条功能,而是两家公司都没有把资源投在语音的"对话体验"上——更自然的音色、更拟人的打断处理,这些 2024 年语音产品的竞争点这次全部缺席。OpenAI 的新模型为的是并行任务编排,Anthropic 的模型升级为的是工具调用能力。语音竞争的评价标准已经从"聊得像不像人"切换到"能不能把事办成"。对开发者来说,这意味着语音接口的设计目标应该对准任务完成率和延迟,而不是对话拟真度。
但两条更新能对上同一个趋势:当智能体开始承担长周期、可并行的工作,用户的主要动作从"读和写"变成"布置和检查"。布置任务不需要键盘,检查进度不需要一直盯着屏幕——语音恰好匹配这个交互形态。OpenAI 用语音编排编程智能体,Anthropic 用语音驱动连接器办事,看似方向不同,都是在把语音从问答场景往任务场景推。
接下来各自的验证点
OpenAI 的验证点更近也更具体:桌面语音功能尚未出现在官方 Release Notes 中,正式公告的口径、以及语音发起的智能体任务在实际用量中的占比,决定这是生产力功能还是演示功能。Anthropic 的验证点在语音栈本身:只换模型不换管线能改善回答质量,但打断处理、响应延迟这些对话体验问题会原样保留,官方是否跟进重建语音栈、以及是否披露语音用量,是判断其投入决心的信号。共同的观察窗口在年底——两家公司都在把语音推向任务场景,语音发起的工作在智能体总工作量中能否形成可量化的份额,是检验"语音即任务入口"这个方向的最终标准。