GPT-Live震撼发布：OpenAI全双工语音模型来了，ChatGPT终于像真人一样说话

摘要： 2026年7月8日，OpenAI正式发布新一代语音模型GPT-Live，采用全双工架构实现听说同步，后台异步委托GPT-5.5处理复杂任务，彻底终结”对讲机式”人机对话。这不仅是ChatGPT语音功能的一次升级，更是人机交互范式的整体换代。山姆·奥特曼直言”感觉很神奇”，连这位曾经的”打字派”也当众松口。

---

一、GPT-Live是什么？OpenAI迄今最聪明的语音模型

北京时间7月9日凌晨，OpenAI正式发布GPT-Live，新一代语音模型即日起陆续推送给所有ChatGPT用户。官方定位是”全新的ChatGPT Voice，由GPT-Live-1驱动，一个全双工的对话伙伴，有史以来最强大的语音模型”。

这次发布并非模型的微调升级或是换几个新音色的小修小补，而是模型和架构的整体换代。OpenAI官方称之为”他们迄今最聪明的语音模型”。

山姆·奥特曼第一时间发推表示：

“GPT-Live（下一代语音）今天在ChatGPT上线。它给人的感觉很神奇、很「真实」。我一直更喜欢打字，而不是跟AI说话，但现在我觉得，这件事要变了。”

这位曾经的”打字派”终于当众松口，足以说明GPT-Live带来的体验变革之深刻。

---

二、全双工架构：从”对讲机”到”打电话”的质变

2.1 什么是全双工？

GPT-Live最核心的变化是全双工（full-duplex）架构，模型能一边听你说话，一边开口说。

OpenAI在发布视频中用了一个形象的比喻：

“想象一下和朋友打电话：你可以同时倾听和说话，这就是全双工。它能跟上打断、停顿、更正，以及边想边说时那种自然的思路流动。”

而此前的语音模式，体验上其实更像对讲机：你说一段，它回一段，你要打断它，还得硬生生地喊停。

2.2 全双工带来的体验升级

全双工架构让GPT-Live实现了几个关键突破：

• 持续在场感：模型始终在感知和生成，对时间的流逝有了自然的理解。在一段手冲咖啡的demo中，用户让它给V60的闷蒸计时30秒，中途问它水壶没水了怎么办，它一路陪着计时、临场支招。
• 自然回应：在你讲话时轻轻”嗯哼”一声表示在听，可以跟你快速地一来一回，也可以在你陷入思考时安静地等着，不催你。
• 每秒多次决策：GPT-Live可以每秒多次决定是否说话、继续倾听、暂停、打断还是调用工具。这让模型能够进行更自然的来回交流，更好地把握时间节奏，甚至完成实时翻译。

2.3 三代语音架构演进

OpenAI语音方向负责人Justin Uberti（当年在Google主导了WebRTC的那位）称，GPT-Live是他们的第三代语音模型和架构：

最初的ChatGPT Voice将三个模型串联在一起：语音转文本模型用于转写用户语音，大语言模型用于生成回应，文本转语音模型用于将回应再转换成语音。这种级联式语音系统让人类能够首次与AI模型对话，但其复杂性也带来了代价，即信息可能在模型之间流失，回应也缓慢而生硬。

GPT-Live通过基于全双工架构构建，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，彻底解决了这些限制。

---

三、异步委托：前台聊天、后台干活的分离架构

3.1 解决语音AI的”冷场”痛点

光聊得自然还不够，语音模型的老毛病是：一遇到要深入思考的问题，就得有个干等的冷场过程。

GPT-Live的解法是内建的异步委托（async delegation）：遇到需要联网搜索、深度推理或者更复杂工作的问题，它会在后台把任务丢给OpenAI最新的旗舰模型去算，自己继续陪你聊，等结果出来了，再自然地接回话头。

OpenAI将负责持续交互的GPT-Live，与更深层的任务处理能力解耦。当问题需要搜索、推理或更强的智能体能力时，GPT-Live可以把任务委派给GPT-5.5这样的其他模型。

3.2 后台模型：GPT-5.5与三档推理强度

发布时，GPT-Live后台调用的模型是GPT-5.5。随着OpenAI后续推出新的前沿模型，GPT-Live所调用的后台模型也会持续更新。

用户可以在三个推理强度间选择：

• Instant（即时）：适合快速响应，调用GPT-5.5 Instant
• Medium（中等）：需要更多思考时间，调用GPT-5.5 Thinking（medium effort）
• High（高）：复杂问题深度推理，调用GPT-5.5 Thinking（high effort）

3.3 实际应用演示

官方demo中的场景生动展示了异步委托的工作方式：

• 用户先问墨西哥城这周的天气，接着要世界杯小组赛的赛程，最后让它推荐几个看球的酒吧。每一问它都只回一句”我查一下”，聊天会照常继续着，等查完了再把答案自然地递回来。
• 用户30分钟后要去讲一堂声音史的课，让它边聊边核对三个史实年份，顺带查地铁延误和下午的天气。结果，它真挑出了一个错误（爱迪生的锡箔留声机应该是1877年，不是1865年）。

在处理这些任务时，GPT-Live仍可以继续与用户交谈，保持对话流畅。这一架构变化让GPT-Live能够持续使用最新的模型和智能体，将前沿智能与自然交互相结合。

---

四、更鲜明的人格与情感智能

4.1 会共情、会接话、会主动让位

OpenAI专门强调了性格这件事：一个好的语音模型应该让人愿意跟它聊下去，而GPT-Live比之前的语音模型有着更自然、更鲜明的人格。

在一场模拟的面试复盘demo中，用户说自己面试搞砸了，它先是共情安慰；听到”结果我被录用了”，又立刻切换成替你高兴的语气，接着还陪练了一轮谈薪话术。

更令人印象深刻的是，拍摄现场远处响起警笛时，它还主动提出：”那我先安静一会儿，帮你录条干净的素材？”

4.2 实时翻译能力

在一段demo里，三位员工分别用法语、粤语和西班牙语介绍自己最爱的食物，GPT-Live一边听一边同步说出英文翻译，最后还把三个人的答案汇总复述了一遍。

以往的AI助手必须等用户讲完才能开始翻译，现在新模型可以做到”同声传译”，在对话推进中实时翻译，更自然地跟上节奏。OpenAI总裁格雷格·布罗克曼（Greg Brockman）形容这次更新是”与计算机交互的一种更自然的方式”。

---

五、版本、可用性与安全机制

5.1 两个版本与全球推送

OpenAI宣布面向全球ChatGPT用户推出两个版本的GPT-Live：

• GPT-Live-1：Go、Plus和Pro付费用户的默认版本
• GPT-Live-1 mini：Free免费用户的默认版本

两种模型从7月8日起向全球iOS、Android和网页版用户陆续推送，API访问权限将于后续开放，Justin Uberti也放出了alpha报名入口。超过1.5亿人每周使用ChatGPT的语音和听写功能，这一升级有望进一步拓展语音交互的使用场景。

5.2 视觉卡片与多模态支持

新版本还支持在语音对话中展示天气、股票、体育等可视化卡片，并继续支持搜索、记忆、图片和文件上传。团队也针对GPT-Live重新制作了ChatGPT中九种不同的声音（Arbor、Breeze、Cove、Ember、Juniper、Maple、Sol、Spruce、Vale）。

5.3 严格的安全机制

GPT-Live引入了更严格的语音安全机制，在高风险情况下可主动结束对话。针对未成年人账号，家长可直接关闭语音或接收高风险内容提醒。

OpenAI表示，GPT-Live在自伤、精神病性症状与躁狂、对AI的情感依赖、暴力及性内容等领域接受了音频原生评测、合成音频评测与内部红队测试，在几乎所有评估维度上与Advanced Voice Mode相当或更优。

5.4 当前限制

需要注意的是，GPT-Live目前尚不支持在ChatGPT中进行视频通话或屏幕共享，Business、Enterprise、Edu版本暂未上线，Temporary Chats、桌面应用、Work、Codex、自定义GPTs等功能也暂不支持。

---

六、性能评估：全面超越Advanced Voice Mode

OpenAI构建了新的人类评估体系，用于衡量对话的愉悦感和流畅度。在这些一对一对比测试中，GPT-Live-1和GPT-Live-1 mini在匹配条件下的5到10分钟对话中，相比Advanced Voice Mode明显更受偏好。

评估维度包括整体偏好、轮次衔接、打断情况、对话流畅度，以及每次交互给人的自然程度。

自动化基准测试也显示了显著提升：

---

七、前夜剧透与命名趣事

其实这次发布在前一天就被剧透了。testingcatalog提前爆料称，ChatGPT里代号”GPT Bidi 1″的双向语音模式已经改名成”GPT Live 1″，还评价说OpenAI的命名总算是在好转了（Bidi是bidirectional的缩写……这名字确实是该改，谁能第一眼读对呢？）。

从级联式到轮次式再到全双工，OpenAI用了三年时间走完了语音AI交互的三代演进。GPT-Live的出现，标志着人机语音交互正式从”问答模式”迈入”对话模式”时代。

如果你和奥特曼一样，一直是打字派，那这几天可以留意下ChatGPT的更新，亲自试一试这个会附和、会接话、还会安静等你的新语音模型。

---

文章来源： 本文综合自OpenAI官方发布、证券时报、财联社、澎湃新闻、IT之家、机器之心、36氪、新浪财经等多家媒体报道，以及AGI Hunt公众号原文内容。