如果你經常使用 AI 語音助手，大概率也經歷過這種令人血壓飆升的時刻： 你只是稍微停頓一下，AI 就急着打斷你開始輸出；或者一陣環境噪音，就被它誤判爲你已經說完。整個過程的交流就像是在嚴格遵循「你一句、我一句」的回合制。 爲了解決這個問題，就在剛剛，OpenAI 正式推出了全新一代語音模型 GPT-Live。正如它的名字一樣，這一次，ChatGPT 的語音功能徹底「活」了過來。 據官方透露，目前每週有超過 1.5 億人使用 ChatGPT 的語音和聽寫功能來練習外語、講睡前故事或在通勤時打發時間。而從今天起，這 1.5 億人將迎來一次豆包式的進步： 已關注 關注 重播 分享 贊 關閉 觀看更多 更多 退出全屏 切換到豎屏全屏 退出全屏 APPSO 已關注 分享視頻 ，時長 03:34 0 / 0 00:00 / 03:34 切換到橫屏模式 繼續播放 進度條，百分之0 播放 00:00 / 03:34 03:34 全屏 倍速播放中 您的瀏覽器不支持 video 標籤 繼續觀看 剛剛，ChatGPT 語音大升級，奧特曼：既神奇也真實 觀看更多 轉載 , 剛剛，ChatGPT 語音大升級，奧特曼：既神奇也真實 APPSO 已關注 分享 點贊 在看 已同步到看一看 寫下你的評論 視頻詳情 AI 不再是一個過於冷冰冰的問答機器，而是一個會用「嗯嗯」、「對啊」來給你墊話，會在你卡殼時安靜等待，甚至能在後臺瘋狂查資料的同時，前臺還能若無其事陪你閒聊的「超級助理」。 告別「回合制」，AI 終於點滿了情商 要理解 GPT-Live 有多強，我們得先看看過去的 AI 語音有多「笨」。 在早期（比如初代 ChatGPT Voice），AI 語音採用的是「級聯繫統：你說話 -> 語音轉文字 -> 大模型生成文字回覆 -> 文字轉語音 -> 播放給你聽。信息在三個模型間來回折騰，不僅慢得讓人抓狂，語氣也十分僵硬。 到了後來的 Advanced Voice Mode（高級語音模式） ，OpenAI 弄出了一個端到端的大模型，直接處理音頻流。延遲確實低了，但它依然沒有擺脫一個致命缺陷：回合制。 它必須死死盯着你的聲音，一旦檢測到「沉默」，就默認你閉嘴了，然後立刻開始它的表演。這種基於「靜音檢測」的機制，導致它極容易被背景噪音誤導。 而 GPT-Live 帶來的底層架構，叫做 「全雙工架構（full-duplex）」。 這意味着，它終於可以「邊聽邊說」了。它不再是對講機，而是一部真正的電話。模型每秒鐘都在做出無數次交互決策：現在該說話嗎？該繼續聽嗎？該停頓嗎？還是該打斷用戶？ 落實到具體的體驗上，這種改變是降維打擊級別的： 學會了「墊話」： 當你在長篇大論時，GPT-Live 不會一聲不吭，它會適時地發出「mhmm（嗯嗯）」、「got it（懂了）」這樣的語氣詞。這種微小的反饋，能給你提供極大的心理安全感。 懂得了「閉嘴」： 如果你對它說「讓我想一下」，或者在說話中途明顯卡殼，它會敏銳地捕捉到這種情緒，選擇安靜地等待。 抗干擾能力拉滿： 哪怕你走在嘈雜的馬路上，旁邊有人大聲喧譁，它也能精準鎖定你的聲音，不再因爲環境噪音而引發莫名其妙的打斷。 得益於「邊聽邊說」的特性，它甚至能勝任實時翻譯：你這邊話音未落，它那邊譯文已經跟上，兩種語言可以在同一條對話裏無縫交錯。 爲了配合這種極致的自然感，OpenAI 甚至將 ChatGPT 裏的 9 種專屬音色全部進行了重置（Remastered），讓聲音表現力更上一層樓。 前臺陪聊，後臺推理 如果說全雙工架構只是讓 GPT-Live 變得更好聊，那麼它在底層架構上的另一次手術，則直接暴露了 OpenAI 對未來 AI 產品形態的勃勃野心。 在過去，我們總是希望一個模型能搞定所有事：既要反應快，又要能解微積分。但現實極其撕裂，「快」和「深」在算力上天然互斥。 於是，OpenAI 在 GPT-Live 上做了一個極爲聰明的決定： 解耦（Decoupled）。 GPT-Live 被設計成了一個專門負責「前臺接待」的交互模型，核心任務就是保持對話的流暢、自然。 而當你的問題需要全網搜索、深度邏輯推理，或者執行復雜的 Agent 任務時，GPT-Live 會在後臺悄悄把任務「外包」給最新的前沿大模型——首批上線調用的，正是 GPT-5.5。 最絕妙的地方在於，在 GPT-5.5 吭哧吭哧進行復雜運算的時候，GPT-Live 並沒有閒着。 它會繼續用自然的語音和你保持互動，幫你爭取時間，直到後臺把答案推理出來，它再無縫地將結果融入對話。 你甚至可以根據需求，選擇 GPT-5.5 的推理力度：想要快，選 Instant（即時）；想要它深入思考，選 Medium（中等）或 High（高強度）。 這套設計還埋了一個長線伏筆： 前臺陪聊和後臺推理是分開的，意味着後臺推理模型可以隨時更換。 OpenAI 明確表示，每當新的前沿模型發佈，GPT-Live 背後調用的模型也會隨之升級。如無意外，明天我們就能見到 GPT-5.6 系列模型，GPT-Live 的發佈看起來也是在前哨站。 更換模型後，性能的提升也是顯而易見的，在官方公佈的盲測中，測試者與不同模型進行了 5 到 10 分鐘的連續對話，結果 GPT-Live-1 以 75.7% 的偏好率碾壓上一代高級語音模式。 就連縮水版的 GPT-Live-1 mini 也拿下了 69.2%。在滿分 7 分的「對話流暢度」評分上，GPT-Live-1 拿到 4.96 分，而高級語音模式只有 3.80 分。 而在硬核數據上，差距更加懸殊： GPQA（專家級物理化學生物推理）：GPT-Live-1 在高強度推理檔位下拿到 84.2% 的準確率，幾乎是高級語音模式（45.3%）的兩倍。 BrowseComp（複雜網頁搜索與 Agent 能力）：這是最誇張的一項。高級語音模式的準確率只有可憐的 0.7%，而 GPT-Live-1 最高衝到了 75.2%，直接從「不可用」跨越到了「能幹活」。 內部 Telecom 測試（多輪擬真電信客服支持）：GPT-Live-1 在任務成功率上同樣全面領先，展示了它作爲語音 Agent 處理真實業務的潛力。 這種前後臺分離的架構，不僅解決了「延遲」與「深度」的矛盾，更讓開發者聞到了巨大的商機。OpenAI 表示 API 版本即將推出，開發者和企業現在已經可以填表登記，第一時間獲取上線通知。 語音不再只是聽覺，更是全新的 OS 除了聽覺上的進化，GPT-Live 還推出了視覺卡片。 純語音輸出往往是低效的。 現在，當你和 GPT-Live 聊天時，遇到適合視覺展示的信息，它會在屏幕上直接彈出豐富的視覺卡片。 語音不再僅僅是一種輸入方式，它正在成爲統領搜索、記憶、圖像識別和文件處理的超級入口。 OpenAI 自己也毫不掩飾這個野心：官方原話是，這項研究將逐步解鎖用語音完成更復雜、更長時程、更具 Agent 屬性的工作。今天它幫你查天氣，明天它可能就在替你打電話辦業務。 不過，越像人的 AI，帶來的風險也越大。 在官方的系統卡（System Card）中，OpenAI 花了大量篇幅講述 GPT-Live 的安全性。因爲語音的實時性太強了，傳統的「事後屏蔽」根本來不及。 爲此，OpenAI 引入了全新的「原生音頻評估」和「合成數據評估」，專門針對有害的進行了紅藍對抗。一旦檢測到模型正在輸出危險言論，系統可以立刻「把話頭帶偏」轉向安全回覆，或者在極高風險下直接切斷語音，併爲你推送經過專家審覈的危機干預熱線。 此外，針對未成年人，系統內置了家長控制功能（Parental Controls），並在模型底層注入了「適齡行爲規範」。 至於很多人擔心的「聲音克隆詐騙」，OpenAI 明確表示： GPT-Live 被嚴格限制爲只能使用預設音色，絕不提供模仿真人聲音的功能。 更有意思的是，OpenAI 專門建立了一個長期監管機制，用來研究「情感依賴」。畢竟正如《Her》一般，當一個 AI 的聲音如此真實，甚至懂得在你難過時用溫柔的「嗯嗯」來回應你時，人類不可避免地會對其產生情感投射。 目前，GPT-Live 已經開始向全球 iOS、Android 和 Web 端用戶推送。Go、Plus 和 Pro 付費用戶將默認使用 滿血版 GPT-Live-1 ，而免費用戶也將體驗到 GPT-Live-1 mini 版本。 （注意：首發暫不支持屏幕共享和視頻對話，需切回老版本使用）。 還有一個小提醒：GPT-Live 目前只針對 ChatGPT 上最熱門的幾種語言做了優化，某些語言下它可能會帶着一股「外國口音」，甚至偶爾詞不達意。OpenAI 表示正在加緊補課。 回望過去幾年，我們對 AI 的期待一直在發生變化。 最初，我們只希望它能聽懂指令，別總是答非所問；後來，我們希望它能幫我們寫代碼、做報表，成爲全能的生產力工具。 但今天，當 GPT-Live 真真切切地在你耳邊，用略帶停頓的語氣發出一聲「嗯，我聽着呢」的時候，你會突然意識到： 比起一個無所不能的神，我們可能更需要的，是一個永遠不會不耐煩、永遠願意傾聽、並且真的懂你在說什麼的「人」。 技術狂奔的盡頭，終究還是迴歸到了人性的慰藉。 附上博客地址： https://openai.com/index/introducing-gpt-live/ 我們正在招募夥伴 📮 簡歷投遞郵箱 [email protected] ✉️ 郵件標題 「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關鏈接） 更多崗位信息請點擊這裏🔗