OpenAI GPT-Live 發佈說明

OpenAI 推出了 GPT-Live，這是新一代的語音模型，旨在超越回合制互動，邁向流暢且類人的對話。其核心進步在於全雙工（full-duplex）架構，允許 AI 同時進行聆聽與說話，從而實現自然的打斷、主動聆聽提示（例如「嗯」、「對」），以及更好的時機感。

全雙工架構與持續互動

GPT-Live 取代了以往語音系統僵化的輪流說話模式，改用持續互動模型。與串聯式系統（將語音轉文字、大型語言模型與文字轉語音模型串聯起來）或需要靜默才能觸發回應的回合制模型不同，GPT-Live 會同時處理輸入並生成輸出。

這種架構轉變允許模型每秒進行多次互動決策，決定是否說話、暫停、打斷或調用工具。這帶來了更具表現力的體驗，即使在使用者暫停思考或存在背景噪音時，AI 也能維持對話流。

背景委派至 GPT-5.5

為了在不犧牲智慧程度的情況下維持高速互動，GPT-Live 將對話介面與深度推理功能解耦。當查詢需要網路搜尋、複雜推理或代理能力時，GPT-Live 會在背景將任務委派給前沿模型——特別是在發佈時的 GPT-5.5——進行處理。

這種委派機制允許 AI 在更強大的模型處理複雜請求時，繼續說話並維持對話流。使用者可以選擇偏好的推理程度：

• Instant: 用於快速、日常的回應。
• Medium and High: 用於需要更多思考時間的任務。

模型版本與可用性

OpenAI 正在推出兩個主要模型版本：

• GPT-Live-1: ChatGPT Plus, Pro, 和 Go 使用者的預設版本。
• GPT-Live-1 mini: 免費使用者的預設版本。

這些模型正透過 iOS, Android, 和網頁端在全球範圍內部署。OpenAI 也計劃將這些功能提供給開發者與企業使用的 API。

效能與安全性

GPT-Live-1 在專家級科學推理 (GPQA)、代理式網路搜尋 (BrowseComp) 以及真實的電信支援任務 (τ³-Voice Telecom) 方面的表現優於 Advanced Voice Mode。

安全性措施包括音訊原生評估以及旨在防止語音冒充的專門訓練。系統包含即時防護機制，可以引導模型走向更安全的回答，或在涉及自殘等高風險情境時終止對話。此外，還特別為青少年使用者設計了額外的保護措施，包括家長控制功能。

社群洞察與使用者回饋

來自早期存取與社群討論的使用者回饋，突顯了該系統的潛力與限制：

技術優勢

• 腦力激盪與流暢度: 使用者回饋透過背景委派至 GPT-5.5，可以成功進行長篇幅的腦力激盪會議（長達一小時）。
• 無障礙功能: 盲人使用者指出，將這種低延遲語音互動與未來的影片/眼鏡整合，可能會徹底改變導航輔助工具。

目前的限制

• 推理差距: 部分使用者觀察到，語音回應（即使在調用 GPT-5.5 時）有時顯得「敷衍」，缺乏直接文字對話中所見的細節。
• 互動特性: 回饋包括 AI 打斷使用者過於激進，或試圖透過中斷對話來「調節語氣」，以及 AI 對非意圖開玩笑的內容發出笑聲的情況。
• 工具整合: 社群成員表示，希望在保持語音模式的同時，能有更深層的工具與連接器整合，而不是必須退出模式才能執行應用程式任務。
• 競爭格局: 部分使用者指出，Gemini Live 已具備類似的全雙工能力超過一年，顯示 OpenAI 在此特定模態中正處於追趕狀態。

"對於開發者而言，最好的功能是它可以在背景將問題委派給 GPT-5.5，因此你不再受限於一個落後於前沿模型數年的語音模型。"

"我問了『為什麼 LLM attention 應該使用 dot product 而不是 cosine similarity...』。語音回應的方向是對的，但缺乏細節... 在文字對話中對同一個問題的回答品質要高得多。"