深夜，OpenAI 突然上线 GPT-Live。
这款新一代语音模型，把 ChatGPT Voice 往前推了一步：人与 AI 的交流开始更像一场真正的对话。
GPT-Live 基于全双工架构构建，也就是说，它可以同时听和说。在对话过程中，GPT-Live 可以用 mhmm 或 yeah 这样的回应表示自己正在听，也可以进行快速来回交流；当你需要一点时间思考时，它也会保持安静。最终带来的，是一种非常轻松自然的语音交互体验。
OpenAI 表示，GPT-Live 是他们迄今最智能的语音模型。对于需要网页搜索、更深入推理或更复杂处理的问题，它会在后台交给这个最新前沿模型完成，并在结果准备好后带回对话中。在处理这些任务的同时，GPT-Live 仍然可以继续与你交流，维持对话的流畅性。
发布时，GPT-Live 后台调用的模型是 GPT-5.5。随着 OpenAI 后续推出新的前沿模型，GPT-Live 所调用的后台模型也会持续更新。
从今天开始，OpenAI 将在全球范围内向 ChatGPT 用户逐步推出两个版本的 GPT-Live，分别是 GPT-Live-1 和 GPT-Live-1 mini。
以往的语音 AI 路线
在 GPT-Live 之前，上一代语音 AI 系统已经让人机语音交互向自然对话迈进了一步，但不同技术路线都存在明显取舍。
一是级联式语音系统。
早期语音系统通常采用级联架构，也就是由多个模型依次完成一轮对话处理。最初的 ChatGPT Voice 就采用了这种方式：先由语音转文本模型将用户语音转写成文字，再由大语言模型生成回复，最后通过文本转语音模型把回复转换成语音。
这种架构让用户第一次能够通过语音与前沿 AI 模型交流，但多模型串联也带来了额外复杂性。信息在不同模型之间传递时可能发生损失，系统响应也容易显得缓慢、生硬。
轮次式语音模型。
此后的轮次式语音模型，例如 ChatGPT Advanced Voice Mode，开始在单一模型中处理和生成音频，降低了延迟，也让对话体验变得更顺滑。
不过，这类模型仍然遵循一来一回的轮次机制。模型需要等用户停止说话后才能开始回应，因此交互方式依然偏固定。同时，由于系统通常依靠静音来判断一轮发言是否结束，用户短暂思考时的停顿，或环境中的背景噪声，都可能被误判为发言结束，导致模型在不自然的时机插话。
GPT-Live 新方法
GPT-Live 通过两项架构变化，解决了上述局限。
持续交互。
首先，GPT-Live 基于全双工架构，为持续交互而设计。它处理的不是一条条彼此独立的消息，而是在生成输出的同时，持续处理输入。因此，模型可以在每秒内多次做出交互决策，包括是否开口、继续倾听、暂停、插话，或调用工具。
这让模型能够进行更自然的来回交流，更好地把握时间节奏，甚至完成实时翻译。
面向深度任务的委派机制。
其次，OpenAI 将负责持续交互的 GPT-Live，与更深层的任务处理能力解耦。当问题需要搜索、推理或更强的智能体能力时，GPT-Live 可以把任务委派给 GPT-5.5 这样的其他模型。这使它即便在后台处理多个任务，也能继续维持对话进行。
这一架构变化还让 GPT-Live 可以持续使用最新模型和智能体，把前沿智能与自然交互结合起来。
评估
OpenAI 构建了新的人类评估体系，用于衡量对话的愉悦感和流畅度。在这些一对一对比测试中，GPT-Live-1 和 GPT-Live-1 mini 在匹配条件下的 5 到 10 分钟对话中，相比 Advanced Voice Mode 明显更受偏好。评估维度包括整体偏好、轮次衔接、打断情况、对话流畅度，以及每次交互给人的自然程度。
GPQA：GPT-Live-1 在 GPQA 上显著优于 Advanced Voice Mode。GPQA 用于测试模型在生物、化学和物理等领域的专家级科学推理能力。
BrowseComp：GPT-Live-1 在 BrowseComp 上相比 Advanced Voice Mode 取得明显提升。BrowseComp 用于测试智能体式网页搜索能力，以及模型查找难以定位信息的能力。
τ³-Voice Telecom（内部变体）：GPT-Live-1 在 τ³-Voice Telecom 上优于 Advanced Voice Mode。该评测用于测试语音智能体在真实、多轮电信客服任务中的表现。
全新的 ChatGPT Voice 体验
每周有超过 1.5 亿人通过 Voice 和 Dictation 等功能与 ChatGPT 对话。他们用它获得无需动手的日常帮助，练习语言，讲睡前故事，或者只是在通勤路上随便聊聊天。
从今天开始，当你点击 Voice 按钮与 ChatGPT 对话时，将获得由 GPT-Live 驱动的升级体验，包括更自然的对话、更智能的回答、更好的倾听能力，以及可视化回复。
更自然的对话
现在，与 ChatGPT 对话会更接近真实交流。你可以随时插话提问，也可以停下来整理思路，或者让 ChatGPT 放慢语速。它会自然地用 mhmm 或 got it 这样的回应来表示自己正在跟上你的话，让你知道它一直在听。团队也针对 GPT-Live 重新制作了 ChatGPT 中九种不同的声音。
更智能的回答
ChatGPT Voice 现在可以调用 OpenAI 最新前沿模型，在你需要时给出更智能的回答。你也可以根据需求选择不同的推理强度：Instant 适合快速响应，Medium 和 High 则适合希望 ChatGPT 花更多时间思考的场景。
更好的倾听能力
当你需要一点时间思考时，ChatGPT Voice 现在会等待，而不是急着插话。如果你让它保持安静、继续听，它也会照做。当周围有背景噪声，比如车辆经过或旁边有人交谈时，ChatGPT 也更能专注于你的声音，不容易被干扰。
一眼可见的可视化回答
有些回答看得见会更有用。在语音对话过程中，ChatGPT 现在可以针对天气、股票、体育等话题展示丰富的可视化卡片。Voice 也会继续支持搜索、记忆、图片和文件上传。
最终，ChatGPT Voice 变得更加自然、更有能力，也更适合日常生活中的各种使用场景。
最后，GPT-Live 目前正在面向全球 ChatGPT 用户推出，覆盖 iOS、Android 和 ChatGPT.com。GPT-Live-1 将成为 Go、Plus 和 Pro 用户使用 ChatGPT Voice 时的默认模型，GPT-Live-1 mini 将成为 Free 用户的默认模型。
参考链接：https://openai.com/index/introducing-gpt-live/
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
粤ICP备14082021号
免费POC，
零成本试错
