GPT‑Live 实时AI服务上线

背景

长期以来，人类与AI的语音交互经历了多个阶段。最初的方案是“级联语音系统”，例如ChatGPT早年使用的语音模式：将语音转文字、大语言模型生成回复、文字转语音三个模型串联。这种方式虽然首次实现了与前沿AI模型的对话，但存在信息丢失、响应缓慢且生硬的问题。随后，基于“轮次（turn-based）的语音模型”如ChatGPT Advanced Voice Mode出现，它在单个模型内处理音频，降低了延迟，但依然依赖离散的轮次：模型必须等用户说完才能回应，导致交互不够自然，且静音检测容易误判，造成不自然的打断。OpenAI 推出的新一代语音模型 GPT‑Live 旨在解决这些局限，实现更接近真人对话的体验。

核心内容

OpenAI 发布了 GPT‑Live，这是一代全新的语音模型，目前正用于驱动 ChatGPT Voice。GPT‑Live 采用全双工（full‑duplex）架构，能够同时进行听和说。在对话中，它可以自然地发出“嗯”“对”等反馈，快速来回交流，也可以在用户需要思考时保持安静。这使得语音体验变得轻松自然。

GPT‑Live 也是目前最智能的语音模型。当遇到需要网络搜索、深度推理或更复杂工作的请求时，它会将任务委派给后台最新的前沿模型（例如 GPT‑5.5），并在任务完成后将结果带回对话中。在后台模型工作时，GPT‑Live 仍可继续与用户交谈，维持对话流畅。未来随着新前沿模型的发布，GPT‑Live 将不断更新其后台模型。

这些改进带来了更智能、更自然的 ChatGPT Voice 体验。OpenAI 相信，这一研究未来还将解锁使用语音处理日益复杂、长期运行且更具智能体性质的任务的能力。

从今天开始，OpenAI 向全球 ChatGPT 用户逐步推出两个版本：GPT‑Live‑1 和 GPT‑Live‑1 mini。后续也将很快通过 API 提供，开发者和企业可填写表单获取通知。

技术架构对比

| 方式 | 原理 | 问题 | |------|------|------| | 级联语音系统 | 语音转文字→LLM→文字转语音，串联处理每轮对话 | 响应慢、生硬、信息可能丢失 | | 轮次语音模型（如Advanced Voice Mode） | 单个模型处理音频，但必须等待用户说完再响应 | 交互仍显僵硬，静音检测易误判 | | 新的全双工架构（GPT‑Live） | 连续处理输入的同时生成输出，每秒可多次做出交互决策（说话、继续听、暂停、打断、调用工具） | 实现更自然的来回交流、更好的时间感知、实时翻译 |

委派机制：GPT‑Live 负责连续交互，将需要搜索、推理或更智能的任务委派给另一模型（如 GPT‑5.5），从而保持对话不中断，同时后台处理多个任务。GPT‑Live 可持续使用最新模型和智能体，将前沿智能与自然交互结合。

评估结果：OpenAI 建立了新的人类评估来测量愉悦度和对话流畅度。在5–10分钟对照测试中，GPT‑Live‑1 和 GPT‑Live‑1 mini 相比 Advanced Voice Mode 在整体偏好、轮次切换、打断、对话流畅度和自然度上均获得强烈偏好。具体基准测试：

• GPQA（生物学、化学、物理的专家级科学推理）：GPT‑Live‑1 大幅超越 Advanced Voice Mode。
• BrowseComp（智能体网络搜索与困难信息查找）：GPT‑Live‑1 显著提升。
• τ³-Voice Telecom（内部变体，真实多轮电信支持任务）：GPT‑Live‑1 优于 Advanced Voice Mode。

新 ChatGPT Voice 体验：每周超过1.5亿人通过语音和听写功能与 ChatGPT 交流。现在点击语音按钮即可获得由 GPT‑Live 支持的改进体验，包括：

• 更自然的对话：可以打断、暂停思考、要求放慢速度；模型会用“嗯”“好的”等短语确认你在听；9种语音经过重新制作。
• 更智能的回答：可调用最新前沿模型，用户可选择即时、中等或高推理程度。
• 更好的倾听：用户思考时模型会等待，不会打断；请求保持安静时会遵守；在背景噪音中能更专注于用户声音。
• 视觉答案：可显示天气、股票、体育等视觉卡片，同时支持搜索、记忆、图像和文件上传。

安全设计：GPT‑Live 默认安全，基于最新模型的安全进展，新增针对语音的专门安全训练和防护。安全性测试包括音频原生评估、合成评估（聚焦自伤、精神病/躁狂、情感依赖、暴力、色情内容），内部专家对语音特有风险进行了红队测试。测试结果显示 GPT‑Live 表现相当。

关键要点

• GPT‑Live 采用全双工架构，可同时听和说，实现真正的连续交互，而非传统轮次。
• 可实时做出交互决策（说话、倾听、暂停、打断、调用工具），提升自然度。
• 引入委派机制：将需要深度推理或搜索的任务交给后台最新前沿模型（如 GPT‑5.5），保持对话流畅。
• 两个版本（GPT‑Live‑1 和 GPT‑Live‑1 mini）今天起向全球 ChatGPT 用户逐步推出，后续将提供 API。
• 相比 Advanced Voice Mode，GPT‑Live 在自然度、流畅度、打断处理、轮次切换等方面获得用户强烈偏好，并在 GPQA、BrowseComp、τ³-Voice Telecom 等基准上显著提升。
• 新 ChatGPT Voice 体验支持打断、暂停、要求放慢、视觉卡片显示，以及更智能的倾听和推理级别选择。
• 安全方面做了专门针对语音的扩展测试和红队评估，涵盖自伤、情感依赖、暴力等风险领域。

意义与影响

GPT‑Live 代表了人机语音交互范式的重大转变。从级联系统到轮次模型再到全双工连续交互，每一步都降低了交互的“摩擦感”，让与AI的对话更接近人与人之间的自然对话。这种架构不仅适用于简单的问答，更打开了语音作为复杂任务界面的可能性——未来用户可以用语音指挥AI进行长时间、多步骤的智能体工作，如网上搜索、数据分析、日程安排等，而无需频繁打断或等待。同时，GPT‑Live 的委派机制意味着语音交互可以持续受益于最新的大模型能力，不必每次更新都重新训练语音模型本身。对于开发者和企业，API 的开放将进一步催生新的语音应用场景，如客服、教育、娱乐、辅助办公等。安全性方面的专门设计也表明，语音交互的普及需要同步解决隐私、误导、情感依赖等新风险。总体而言，GPT‑Live 标志着人机协作进入“对话即交互”的新阶段，使AI更自然地融入日常生活的方方面面。