OpenAI的新语音模型，先把用户烦到了

发布时间：2026-07-18 05:05:20 来源：安智兰德资讯网 作者：焦点

ChatGPT Voice 上一次重大代际更新，语音用户还要追溯到 2024 年 5 月 GPT-4o 发布时展示的模型 Advanced Voice 功能，并于同年 7 月向部分 Plus 用户小范围推送。先把距离 GPT-Live 的语音用户发布，中间已过去了两年时间。模型

此次，先把OpenAI 将 Full-Duplex（全双工）架构正式引入 ChatGPT Voice。语音用户

传统的模型 AI 语音助手更像是一台反应迅速的对讲机：用户说完一句，模型回复一句；虽然支持打断，先把但系统往往需要重新判断语境、语音用户重新组织回答。模型这种模式虽然具备对话雏形，先把却缺乏真正聊天的语音用户自然感。

GPT-Live 旨在弥合这一细微的模型体验差距。

尽管该功能今日已在 ChatGPT 上正式启用，先把但市场反响似乎并未如预期般热烈，甚至引发了一些用户的困扰。

对 ChatGPT Voice 的一次深度补课

在真实的人际交流中，除了辩论，人们极少采用整齐划一的“轮流发言”模式。我们会停顿、犹豫、突然改口，或在对方说话时插入“等等，不是这个意思”。

有时，一声“嗯嗯”或“我懂”，比长篇大论更有价值；有时，最好的回应恰恰是保持沉默，让对方继续表达。

过去的 AI 语音助手（包括 ChatGPT、Gemini 以及国内的豆包等）在处理这些细节时显得生硬，人机交互感强烈。它们能回答问题、朗读文本，也能在用户打断时停止，但其核心逻辑仍依赖于一个前提：先判断用户是否说完，再决定模型是否开口。一旦判断失误，对话体验便会变得尴尬。

• 用户仅停顿一秒，模型可能误以为对话结束而急于接话；
• 用户中途改主意，模型可能仍沿袭上一句逻辑继续回答；
• 背景噪音或旁人说话，可能被误判为用户的新输入。

GPT-Live 致力于解决这些难以包装成“宏大功能”，却直接决定用户体验的微观问题。

从级联系统到原生音频的演进

要理解 GPT-Live，需回顾 OpenAI 语音系统的演变历程。

最早的 ChatGPT Voice 采用 级联语音系统（Cascaded Voice System）。这是一种多模型接力方案：先将语音转为文字，再由大语言模型生成回答，最后通过语音合成（TTS）转回声音。

• 优势：搭建容易，能快速接入大语言模型。
• 劣势：语音中的语气、停顿、情绪等丰富信息在“语音转文字”阶段大量丢失。模型仅基于整理后的文字生成回答，且多模型串联导致延迟叠加，形成“听一句、想一下、念一句”的机械感。

GPT-4o 之后，OpenAI 推出 Advanced Voice，开始利用原生音频模型直接处理和生成声音。

相比级联系统，这是一次显著进步：模型无需先将语音转文字再绕回语音，能保留更多音频细节，降低延迟，支持更自然的打断。

然而，Advanced Voice 仍未完全摆脱 回合制（Turn-based）的限制。OpenAI 将其定义为“回合制语音模型”，即仍需先判断用户是否说完，再决定模型是否开始回答。

在文本聊天中，按下“发送”键即明确标识输入结束；但在语音聊天中，缺乏明确的终止信号。用户停顿一秒可能是思考，也可能是说完；拖长音可能是组织语言，也可能是酝酿情绪。如何精准界定对话边界，是回合制模型最大的痛点。

GPT-Live 的两项核心架构改进

GPT-Live 通过两项架构革新来解决上述问题：

1. 从“轮流发言”到 Full-Duplex（全双工）

GPT-Live 实现了持续监听、持续判断、持续生成的能力，不再局限于用户结束发言后才进入回答状态。模型如同参与一场实时进行的对话，而非仅仅回答一个已结束的问题。

根据官方介绍，GPT-Live 每秒可进行多次交互决策：是继续说话、继续倾听、暂停、打断对方，还是调用工具。这使得它能更自然地把握互动节奏，甚至支持实时翻译。

在用户说话过程中，GPT-Live 会给出情绪性回应（如“嗯”、“哦”），模拟真实通话中的反馈。

事实上，全双工架构并非 OpenAI 首创。Kyutai 的 Moshi、英伟达的 PersonaPlex 及多家学术机构早已探索 AI 同时听说的能力；谷歌 Gemini Live 虽未强调全双工，但也已在推进实时语音对话和原生音频模型。

GPT-Live 的独特之处在于，它将“边听边说”的能力整合进 ChatGPT 这一主流入口，并能与 OpenAI 其他模型协同工作。

2. 语音交互层与后台智能的分工

GPT-Live 不仅仅是一个“更会说话的模型”，它更像 ChatGPT 的 实时语音交互层：负责听、说、等待、打断及节奏控制。

当遇到需要搜索、推理或复杂任务时，语音层会将任务移交至后台更强的模型（如 GPT-5.5）处理。

• 语音模型：确保对话流畅，处理简单问题。
• 后台模型：承担高强度推理，处理复杂任务。

这种架构虽非全新，但将其与 Full-Duplex 结合并落地于 ChatGPT，是对行业实时语音交互能力的一次重要整合。

评测与评价

GPT-Live 的实际效果尚需时间验证。OpenAI 习惯为新能力重新定义评估标准，此次也不例外。

官方提供了一套针对中断、等待、短反馈、背景噪音及语音理解的测试标准。结果显示，在 5-10 分钟的匹配语音对话中，评测者更偏好 GPT-Live-1 和 GPT-Live-1 mini。

此外，GPT-Live-1 在 GPQA（科学推理）、BrowseComp（网页搜索）及内部 τ³-Voice Telecom（多轮电信客服）榜单上均超越 Advanced Voice Mode。

需注意：这并不完全代表语音模型本身的智力飞跃。GPT-Live 在遇到复杂任务时，实际调用的是背后的 GPT-5.5。因此，官方评估更多证明的是 新 ChatGPT Voice 系统整体更强，而非语音交互层本身发生了质变。

此外，官方仅进行了纵向对比（与自家旧模型相比），未提及横向对比（与竞品相比），外界难以判断其在整个语音 AI 行业中的确切位置。

网友评价两极分化

正面观点：
部分用户认为此次更新潜力巨大，尤其在编程辅助等场景，可能改变用户的使用习惯。

负面观点：
许多用户认为 GPT-Live 频繁的短反馈（如“嗯”、“哦”）令人厌烦，甚至构成打扰。

功能限制：
用户还指出了当前版本的缺陷：
* 实时模式下无法访问 ChatGPT 记忆；
* 不支持摄像头模式和屏幕共享模式。

当前可用性

根据官方文档，GPT-Live 已在全球范围内向 iOS、Android 及 ChatGPT.com 用户开放：
* Go/Plus/Pro 用户：默认使用 GPT-Live-1。
* 免费用户：默认使用 GPT-Live-1 mini。

重要限制：推出初期，GPT-Live 不支持语音通话、视频通话或屏幕共享。官方正致力于尽快添加这些功能。用户仍可使用旧版 ChatGPT Voice（标准语音模式和高级语音模式），这些版本包含上述功能。

语音助手，首要任务是“不烦人”

OpenAI 披露，每周已有超过 1.5 亿用户通过 Voice 和 Dictation 与 ChatGPT 交互。使用场景多为日常琐事：腾不出手时提问、练外语、讲睡前故事或通勤聊天。

此次升级围绕四个方向展开：

1. 更自然的对话：支持中途插话、停顿思考及语速调整。模型使用“嗯嗯”、“明白”等短反馈表示倾听，而非等待用户说完才输出长篇大论。OpenAI 还优化了九种声音以适配 GPT-Live。
2. 更聪明的回答：语音模式连接最新前沿模型，提供 Instant（快速）、Medium（中等）、High（高推理强度）三种选项，平衡延迟与思考深度。
3. 更好的聆听：在用户停顿时等待，在要求安静时保持沉默，在背景噪音中聚焦用户声音。这些能力虽不炫酷，却决定用户留存率。
4. 可视化回答：结合天气、股票、体育等视觉卡片，实现“适合听的用声音，适合看的用屏幕”。

从首批反馈看，GPT-Live 尚未完全解决“打扰”问题，部分用户认为其短反馈过多。但考虑到这是实时语音交互的早期阶段，值得给予耐心。

结语

过去，语音仅是文本的替代品（麦克风替代键盘，声音替代文字）。而 GPT-Live 指向了一种新的产品形态：语音不再是单纯的输入输出通道，而是 AI 参与现实任务的实时入口。

GPT-Live 的核心价值在于补齐 ChatGPT Voice 的日常使用感。然而，这一切成立的前提是：它不能成为用户的负担。

文字可以被忽略、慢读或关闭，但声音直接侵入注意力。接话太急、反馈过多、误判停顿，都会让用户感到“烦人”而非“智能”。

GPT-Live 的真正考验，在于如何在追求流畅的同时，学会适时沉默。这次更新既展示了价值，也暴露了实时语音助手面临的共性挑战。我们需要一点耐心，观察 AI 如何学会像人一样，既会说话，也会倾听。

（作者/袁心玥）

相关文章