OpenAI GPT-Live 发布说明

OpenAI 推出了 GPT-Live，这是新一代语音模型，旨在超越基于回合的交互，实现流利、类人的对话。其核心进步在于全双工架构，允许 AI 同时进行倾听和说话，从而实现自然的打断、主动倾听信号（如“mhmm”或“yeah”）以及更好的时机感。

全双工架构与持续交互

GPT-Live 用持续交互模型取代了以往语音系统僵化的轮流发言模式。与级联系统（将语音转文本、大语言模型和文本转语音模型串联起来）或需要保持沉默才能触发响应的基于回合的模型不同，GPT-Live 并发地处理输入并生成输出。

这种架构转变允许模型每秒进行多次交互决策，决定是说话、暂停、打断还是调用工具。这带来了一种更具表现力的体验，即使在用户停顿思考或存在背景噪音时，AI 也能维持对话流。

后台委托给 GPT-5.5

为了在不牺牲智能的情况下保持高速交互，GPT-Live 将对话界面与深度推理解耦。当查询需要网络搜索、复杂推理或智能体能力时，GPT-Live 会在后台将任务委托给前沿模型——特别是在发布时为 GPT-5.5。

这种委托机制允许 AI 在更强大的模型处理复杂请求时，继续交谈并维持对话流。用户可以选择自己偏好的推理强度级别：

• Instant: 用于快速、日常的响应。
• Medium and High: 用于需要更多思考时间的任务。

模型版本与可用性

OpenAI 正在推出该模型的两个主要版本：

• GPT-Live-1: ChatGPT Plus, Pro, 和 Go 用户的默认版本。
• GPT-Live-1 mini: 免费用户的默认版本。

这些模型正在 iOS, Android 和 Web 端进行全球部署。OpenAI 还计划将这些能力带入面向开发者和企业的 API。

性能与安全

GPT-Live-1 在专家级科学推理 (GPQA)、智能体网络搜索 (BrowseComp) 以及真实的电信支持任务 (τ³-Voice Telecom) 方面表现优于 Advanced Voice Mode。

安全措施包括音频原生评估和专门的训练，以防止语音冒充。系统包含实时防护措施，可以将模型引导至更安全的响应，或在高风险场景（如涉及自残的情况）中终止对话。此外，还专门为青少年用户设计了额外的保护措施，包括家长控制功能。

社区见解与用户反馈

来自早期访问和社区讨论的用户反馈突显了该系统的潜力与局限性：

技术优势

• 头脑风暴与流畅度: 用户报告称，得益于向 GPT-5.5 的后台委托，可以成功进行长篇头脑风暴会议（长达一小时）。
• 无障碍功能: 盲人用户指出，将这种低延迟语音交互与未来的视频/眼镜集成相结合，可能会彻底改变导航辅助工具。

当前局限性

• 推理差距: 一些用户观察到，即使在调用 GPT-5.5 时，语音响应也可能显得“敷衍”，缺乏直接文本聊天中发现的细节。

• 交互特性: 报告包括 AI 过于激进地打断用户，或试图通过切断对话来“调节语气”，以及 AI 对并非意图作为笑话的言论发出笑声的情况。

• 工具集成: 社区成员表示希望在保持语音模式的同时，实现更深层的工具和连接器集成，而不是退出该模式去执行基于 App 的任务。

• 竞争格局: 一些用户指出，类似的全双工能力在 Gemini Live 中已存在一年多，这表明 OpenAI 在这一特定模态上正在追赶。

"最好的功能是它可以将问题在后台委托给 GPT-5.5，这样你就不会再受限于一个落后于前沿模型几年的语音模型。"

"我问了‘为什么 LLM attention 应该使用点积而不是余弦相似度...’ 语音响应在方向上是正确的，但缺乏细节... 同样的问题在文本聊天中的回答质量要高得多。"