OpenAI 发布 GPT-Live：全双工语音模型，AI 终于能边听边说了
OpenAI 今天发布 GPT-Live，这是首个基于全双工架构的语音模型——它能同时听和说，对话不再需要"你说完我再说"。GPT-Live 还能在对话中后台委托 GPT-5.5 做推理和搜索，让语音助手第一次同时具备自然对话感和深度思考能力。
语音 AI 的三次架构升级
要理解 GPT-Live 为什么重要，先看语音 AI 是怎么一步步走过来的。
第一代：级联式系统。 最早的 ChatGPT Voice 把三个模型串起来：语音转文字 → 大语言模型生成回复 → 文字转语音。能用，但信息在模型间传递时容易丢失，而且延迟高、对话生硬。
第二代：单模型轮次式。 Advanced Voice Mode 把音频的输入和输出放在同一个模型里处理，延迟降低、对话更流畅——但仍然是"轮次制"：模型必须等你说完才能开口。更麻烦的是，轮次检测靠的是静音判断，你稍微停顿一下或者背景有噪音，模型就可能误以为你说完了，突然插嘴。
第三代：全双工。 GPT-Live 不再按"轮次"工作，而是持续处理输入、持续生成输出。模型每秒做多次决策：该说话还是继续听？该打断还是等一等？该调用工具还是先回应？结果就是——对话终于像跟真人聊天了。
后台委托：语音对话和深度推理可以并行
GPT-Live 最关键的架构变化不只是"全双工"，还有交互层和推理层的解耦。
GPT-Live 本身负责持续对话——听你说话、回应"嗯嗯"、保持对话节奏。但当你的问题需要搜索网页、深度推理或更复杂的操作时，GPT-Live 会把任务委托给后台的 GPT-5.5，等结果出来后再自然地融入对话。
这意味着两件事同时发生：你跟 ChatGPT 聊着天，它在后台帮你查资料、做推理，而且对话不会中断。这其实就是语音版 Agent 的基础架构——语音交互做前端，推理模型做后端，各司其职。
用户还可以选择推理强度：Instant 模式快速回应，Medium 和 High 模式让模型花更多时间思考，适合复杂问题。
性能：全面超越 Advanced Voice Mode
OpenAI 公布了三类评估结果：
- 人类偏好评估：在 5-10 分钟的对话中，GPT-Live-1 在整体偏好、轮次感、打断自然度、对话流畅度上大幅优于 Advanced Voice Mode。
- GPQA（科学推理）：GPT-Live-1 大幅超越 Advanced Voice Mode，测试覆盖生物、化学、物理的专家级问题。
- BrowseComp（搜索能力）：GPT-Live-1 在需要主动搜索和定位难找信息的任务上显著提升。
- τ³-Voice Telecom（电信客服场景）：在多轮客服对话中优于 Advanced Voice Mode。
简单说：不只是"更自然"，也更聪明了。
谁能用、怎么用？
GPT-Live 今天起向全球 ChatGPT 用户滚动推送，覆盖 iOS、Android 和 ChatGPT.com：
- Plus / Pro / Go 用户：默认使用 GPT-Live-1
- Free 用户：默认使用 GPT-Live-1 mini
- ChatGPT 的 9 个语音全部重新录制，适配全双工交互
- 新增视觉卡片：对话中可以显示天气、股票、体育等可视化信息
- 语音模式继续支持搜索、记忆、图片和文件上传
API 版本即将推出，开发者和企业可以报名获取通知。
安全设计：语音场景的专属防护
语音交互有独特的安全挑战——它是实时的、持续的、更亲密的。OpenAI 为 GPT-Live 加了几层专门的设计：
- 语音专属安全训练：覆盖自伤、躁狂、情感依赖、暴力和色情等风险领域，并使用合成音频做专项评估。
- 实时安全干预：模型说话过程中，如果检测到潜在不安全输出，可以实时转向安全回复、显示安全提示，或在高风险情况下结束对话。
- 青少年保护：模型内置年龄适配行为，家长可通过 Parental Controls 控制青少年是否可使用语音功能，高风险情况（如自伤迹象）会通知关联的家长。
- 反声音模仿：GPT-Live 只使用预定义声音，有防护措施防止模仿真人声音。
- 情感依赖长期监测：基于此前对情感使用的研究，OpenAI 将持续监测和改进模型在情感敏感场景中的表现。
当前限制
GPT-Live 目前还有一些不足：
- 部分语言可能存在非母语口音或流畅度差距，OpenAI 正在改进
- 暂不支持语音+视频或屏幕共享（旧版 Voice Mode 仍可使用这些功能）
- 随着新模型发布，GPT-Live 后台使用的推理模型会持续更新
为什么这次更新值得关注？
GPT-Live 不只是"语音更好了"——它改变了 AI 语音交互的基本架构。从"轮次制"到"全双工"，从"一个模型干所有事"到"交互和推理解耦"，这是语音 AI 从"能用"到"好用"的关键一步。
更重要的是，后台委托机制让语音交互第一次有了 Agent 的可能性：你说话，AI 在后台帮你做事，做完自然告诉你。这比"对着手机说一句话、等一个回答"的模式要强大得多。
每周有超过 1.5 亿人通过语音和 ChatGPT 互动——学语言、听故事、通勤时聊天。对他们来说，GPT-Live 的体验提升是立竿见影的。而对开发者和企业来说，API 即将开放意味着语音 Agent 的基础设施又往前走了一步。
---
来源
- OpenAI 官方博客：[Introducing GPT-Live](https://openai.com/index/introducing-gpt-live/)
- GPT-Live System Card：[deploymentsafety.openai.com/gpt-live](https://deploymentsafety.openai.com/gpt-live)