OpenAI发布新语音模型，实现更自然的实时对话

背景

OpenAI 持续致力于提升 ChatGPT 语音交互的自然度与实用性。自 2023 年推出语音功能以来，已有超过 1.5 亿用户通过 Voice 和 Dictation 等功能与 ChatGPT 对话。此前，OpenAI 的 Advanced Voice Mode 采用流水线架构：通过语音转文本模型转录用户语音，再由大语言模型生成回复，最后通过文本转语音模型输出音频。这种架构在自然对话中暴露出延迟、打断用户、智能不足等问题。与此同时，苹果、亚马逊等巨头以及 Sesame、Monogram 等初创公司也在探索更流畅、更具表现力的语音助手，行业竞争日趋激烈。

核心内容

OpenAI 今日发布两款全新会话模型——GPT-Live-1 和 GPT-Live-1 mini，声称它们能实现更自然的声音和更流畅的对话轮换。这两款模型均为全双工模型，可同时进行听与说，允许用户自然打断，并支持实时翻译等功能。OpenAI 将默认使用 GPT-Live-1 mini 替换 ChatGPT 中现有的 Advanced Voice Mode；付费层级用户则可访问更大的 GPT-Live-1 模型。

在新闻发布会上，OpenAI 表示新模型解决了诸如在用户说话时打断对方、以及缺乏足够智能来回答问题等痛点。新模型在保持对话的同时，会将查询发送至最新的文本模型（如 GPT-5.5），以获取搜索、推理或智能体能力。此外，新语音模式还能长时间保持沉默，吸收对话上下文，直到被召唤时才回应。由于接入更新的 GPT 模型，它还能以视觉格式呈现某些信息（例如文本或图表）。其他初创公司如 Monogram（已从 DST 和 Lux Capital 获得 4000 万美元种子轮融资）也在探索视觉响应，以增强助手的交互性。

OpenAI 表示，新语音模式专为更长时间的对话而设计。ChatGPT Voice 产品负责人 Atty Eleti 在发布会上透露，他曾在散步时与语音功能进行过 30 至 40 分钟的对话。OpenAI 认为语音有潜力成为复杂工作中与计算的主要交互界面。有报道称 OpenAI 可能于今年推出一款具备 AI 功能的耳机，但在本次发布会上未透露任何硬件产品信息。

Eleti 表示：“随着时间的推移，我们认为这将释放语音作为计算主要界面的能力，并管理日益复杂的长期智能体工作。我们看到人们使用 Codex 和 ChatGPT 完成的那些令人惊叹的用例，我们相信语音可以成为未来各种工作的界面。”

尽管新语音模式听起来更自然，OpenAI 强调其目标并非将其打造成 AI 伴侣。新模型内置了安全措施，能为青少年提供适龄回应，并在对话涉及自残等敏感话题时提供资源指引。不过，新语音模式仍有改进空间。在演示中，当展示印地语实时翻译功能时，助手带有浓重美国口音，翻译出的印地语听起来不自然，略带书卷气。OpenAI 表示新模式针对“大多数常用语言”进行了优化，但未具体说明是哪些语言。

关键要点

• OpenAI 发布两款全双工会话模型：GPT-Live-1（大模型）和 GPT-Live-1 mini（默认模型），支持自然打断和实时翻译。
• 新的语音模式不再依赖流水线式架构（语音转文本→LLM→文本转语音），而是直接端到端处理语音输入与输出，降低了延迟，提升了对话流畅度。
• 新模型在对话中可长时间保持沉默，吸收上下文，仅在需要时响应；同时能调用 GPT-5.5 等最新文本模型进行搜索、推理和智能体任务，并支持视觉输出。
• 付费用户可访问 GPT-Live-1，ChatGPT 默认使用 GPT-Live-1 mini 替换 Advanced Voice Mode。
• 超过 1.5 亿用户已通过 Voice 和 Dictation 功能使用 ChatGPT 语音交互。
• 竞争对手苹果、亚马逊以及初创公司 Sesame、Monogram 也在推进更自然的语音助手，Monogram 已获 4000 万美元种子轮融资。
• OpenAI 强调语音可能成为未来复杂工作的主要计算界面，但未发布硬件产品；有传闻称其可能推出 AI 耳机。
• 新语音模式内置安全措施，针对青少年提供适龄回应，并能在敏感话题上提供资源，但 OpenAI 明确表示不将其定位为 AI 伴侣。
• 当前局限：实时翻译功能在非英语语言（如印地语）中仍有口音和自然度问题，且仅针对“大多数常用语言”优化。

意义与影响

OpenAI 此次发布标志着语音交互从“问答式”向“对话式”的关键跃迁。全双工模型让用户能够像与真人交谈一样自由打断、沉默或并行处理，大幅降低了使用门槛，尤其适合移动场景、多任务场景以及需要长时间交互的复杂任务（如编程、数据分析、项目管理）。通过与 GPT-5.5 等最新文本模型的深度集成，语音模式不再只是简单的语音外壳，而是具备了智能体能力（搜索、推理、工具调用），并能以视觉方式辅助说明，这为“语音优先”的 AI 助手奠定了基础。

在行业层面，OpenAI 的举措将加速整个 AI 语音赛道的竞争。苹果、亚马逊等巨头势必要更快迭代其助理（Siri、Alexa）的对话能力；而 Sesame、Monogram 等初创公司通过差异化（如视觉响应、情感识别）寻求突围。同时，OpenAI 强调“非伴侣”定位，并内置安全机制，反映了对 AI 伦理和青少年保护的重视，这在监管趋严的背景下尤为重要。

然而，新语音模式的非英语表现仍有明显短板，印地语等语言的口音与自然度问题表明，多语言本地化仍是 OpenAI 需要攻克的难题。此外，语音作为主要计算界面，对隐私、延迟、功耗及硬件适配（如耳机）提出了更高要求。若 OpenAI 真如传闻推出 AI 耳机，将可能重塑可穿戴设备生态，但本次发布会未透露任何硬件动向，未来仍需观察。总体而言，GPT-Live 系列模型的推出为“人人都有一个随时可聊的 AI 助手”提供了更成熟的技术底座，也预示着语音交互即将成为人与 AI 协作的主流方式。