GPT-Live：当 AI 学会一边听你说话，一边回应你

和 ChatGPT 语音聊过天的人大概都有过这样的体验：你说完一句话，得停下来等它；你话还没说完，它已经抢着开口了；背景里有一辆车经过，它就以为你说完了。这些问题不是某款产品做得差，而是过去所有语音 AI 共有的结构性短板。2026 年 7 月，OpenAI 发布了新一代语音模型 GPT-Live，试图从架构层面解决它们。

语音 AI 走到哪一步了

要理解 GPT-Live 为什么重要，得先看看它之前发生了什么。

最早让普通人能和前沿 AI 模型对话的，是所谓的“级联式语音系统”——三个模型串在一起干活：一个把你的语音转成文字，一个大语言模型生成回答，再把文字转回语音。这套方案能跑通，但信息在模型之间传递时难免损耗，回答也慢，听起来生硬。

后来有了轮次式语音模型，比如 ChatGPT 的高级语音模式（Advanced Voice Mode）。它把语音输入和输出放进同一个模型处理，延迟降下来了，对话顺畅了不少。但“轮次”这个名字本身就暴露了问题：模型仍然在一轮一轮地工作，必须等你停下来说话才能开口。而判断你有没有说完，靠的是检测静音——你稍微停顿一下想想措辞，或者旁边有人说话，它就可能误判，在不该插嘴的时候插嘴。

这些不是体验打磨的问题，是架构的天花板。

GPT-Live 的两个架构变化

GPT-Live 做了两件事来打破这个天花板。

第一，它用全双工架构支持连续交互。所谓全双工，就是模型可以同时接收输入和生成输出，不再把对话拆成一段一段的消息来处理。这意味着模型每秒能多次做出判断：现在该说话，还是继续听，该不该暂停，要不要打断你，还是调用某个工具。你插话进来，它能接住；你需要时间整理思路，它就安静等着；你让它别出声好好听着，它真的会照做。它甚至会用“嗯嗯”“明白了”这样的短语表示自己在跟上你，而不是等你说完才开始处理。

第二，它把“连续交互”和“更深入的工作”拆开了。当你问的问题需要搜索网页、做复杂推理或者执行多步骤任务时，GPT-Live 不会卡在那里等结果，而是把任务委托给后台的前沿模型（发布初期是 GPT-5.5），自己继续和你对话。等后台结果回来了，再把信息带进对话里。换句话说，它把“陪你聊天”和“帮你干活”解耦了——聊天不断，活也在干。

这个设计还有一个长期好处：随着 OpenAI 发布新的前沿模型，GPT-Live 可以持续更新后台调用的模型，而不必每次都重做整个语音系统。

用户实际能感受到什么

从体验层面看，GPT-Live 带来的变化有几个方向。

对话变得更自然。你可以中途插话，可以停顿，可以要求它说慢一点。背景有车经过或者旁边有人聊天时，它更能集中注意力在你的声音上，不容易被干扰。OpenAI 还为 GPT-Live 重新制作了 ChatGPT 里九种各具特色的声音。

回答变得更聪明。ChatGPT 语音现在能调用最新的前沿模型，用户可以选择推理级别：Instant 给快速回答，Medium 和 High 则让模型多想一会儿再开口。

有些回答变得更直观。聊到天气、股票、体育这些话题时，ChatGPT 可以在对话过程中弹出可视化卡片，让你直接看到信息，而不只是听到。语音也继续支持搜索、记忆、图片和文件上传。

评估结果说了什么

OpenAI 构建了新的人类评估来衡量对话的愉悦度和流畅度。在五到十分钟的配对比较中，GPT-Live-1 和 GPT-Live-1 mini 在整体偏好、轮流发言、打断时机、对话流畅度和每次互动的自然程度方面，都明显比高级语音模式更受用户偏好。

在几个标准化评测上，GPT-Live-1 同样表现出优势：GPQA（测试生物、化学、物理领域的专家级科学推理）、BrowseComp（测试智能体式网页搜索能力）、τ³-Voice Telecom（测试语音智能体在真实多轮电信支持任务中的表现）三项评测中，GPT-Live-1 相较高级语音模式均有显著提升。

需要说明的是，GPT-Live-1 和 GPT-Live-1 mini 在后台使用的是 GPT-5.5 Instant 模型；而 GPT-Live-1 Medium 和 GPT-Live-1 High 使用的是 GPT-5.5 Thinking 模型，分别对应中等和高推理强度。

安全这件事怎么处理

语音对话是实时的，这给安全设计带来了和文字不一样的挑战。GPT-Live 在几个方面做了针对性工作。

OpenAI 扩展了安全测试，纳入了音频原生的评估，并借鉴高级语音模式的经验创建了使用生成音频的合成评估，重点关注自伤、精神病性症状和躁狂、对 AI 的情感依赖、暴力和性内容等领域。内部专家还针对语音特有的风险做了红队测试。据其测试，GPT-Live 在几乎所有评估领域的表现都与高级语音模式相当或更好。

在实时保障方面，当系统检测到可能不安全的输出时，可以引导模型给出更安全的回应，呈现额外的安全提示或资源，在风险较高时直接结束语音对话。涉及自伤的对话，OpenAI 把 ChatGPT 原有的支持流程适配到了语音场景，包括提供经专家审核的危机热线支持。

针对青少年用户，OpenAI 把适龄行为直接训练进模型，家长可通过家长控制选择是否让青少年子女使用 ChatGPT 语音；在出现潜在自伤或自杀意图迹象的高风险情形中，已关联的家长可能会收到通知。OpenAI 还在推出更长期的上线后监测，重点关注情感依赖，以持续理解人们在真实场景中如何使用语音 AI。

另外，GPT-Live 只使用一组预定义的声音，配有保障措施防止模仿真实人物的声音——它被设计为对话工具，不是语音冒充工具。

谁能用，有什么限制

GPT-Live 现在面向全球 ChatGPT 用户在 iOS、Android 和 ChatGPT.com 上推出。GPT-Live-1 是 Go、Plus 和 Pro 用户使用语音时的默认模型，GPT-Live-1 mini 是 Free 用户的默认模型。OpenAI 还计划把 GPT-Live 带到 API，开发者和企业可以通过表单注册接收通知。

限制方面也有交代。OpenAI 表示已针对 ChatGPT 中一些最常用的语言优化了 GPT-Live，但某些语言下模型可能带有非母语口音或流利度不足，正在改进。发布初期，GPT-Live 尚不支持在 ChatGPT 中将语音与视频或屏幕共享结合使用，这些功能在后续推出。在那些功能可用的地方，用户仍能访问旧版的 Standard 和高级语音模式。

它到底意味着什么

每周有超过 1.5 亿人通过语音和 ChatGPT 交谈——免提问路、练外语、给孩子讲睡前故事、通勤时随便聊聊。对这些用户来说，GPT-Live 最直接的意义是：和 AI 说话这件事，终于开始接近和一个人说话了。

但更值得留意的是 OpenAI 在发布中提到的一句话——他们相信这项研究将逐步解锁用语音完成越来越复杂、持续时间更长、更具智能体特性的工作的能力。也就是说，全双工架构加任务委托这套组合，不只是让语音聊天更好听，而是让语音成为一个能承载复杂任务的交互界面。如果这个方向成立，语音 AI 的定位会从“方便的输入方式”变成“一种真正可用的工作方式”。

当然，这条路有多远，取决于模型在真实场景里的表现，也取决于安全边界能被守得多稳。GPT-Live 是一个起点，不是终点。