7 月 8 日，OpenAI 发布了 GPT-Live，一个基于全双工架构的新一代语音模型。它能够同时听和说，在对话进行中产生「嗯」「明白」等自然回应，也可以在用户思考时保持沉默。这次更新同时改变了 ChatGPT 处理对话节奏和复杂任务的方式。
从 Siri、Alexa 到 ChatGPT 高级语音模式，常见的语音助手大多按轮次交流：用户说完，机器再回应。这个模式容易把思考时的停顿误判为发言结束。GPT-Live 改用全双工设计，在说话时持续接收用户语音；需要深入处理的任务，则交给后台模型。
从等用户说完，到持续判断何时回应
ChatGPT 语音的三代架构，分别采用了不同的处理方式。
初代 ChatGPT 语音采用级联流水线——语音转文本模型转录用户的话，大语言模型生成回复，文本转语音模型读出结果。三个模型串行工作，信息在每个环节都可能丢失，响应缓慢且生硬。
第二代是 2024 年推出的轮换式语音（Advanced Voice Mode），由单一模型处理并生成音频，延迟显著降低。但它仍然依赖基于静音的轮次检测——用户停止说话才触发回应。一次咳嗽、一段背景噪音、一个思考时的停顿，都可能被误判为「轮次结束」，导致模型在不合适的时机打断。
GPT-Live 引入了 OpenAI 称为连续交互的架构。模型不再等待一个明确的轮次结束，而是持续处理音频输入流的同时生成输出流，每秒多次做出决策：说话、继续听、暂停、打断，或者调用工具。
这让对话节奏不再完全依赖基于静音的「轮次检测器」。在全双工模式下，模型自己判断何时插话、何时沉默。这也是它能够产生「嗯」「好的」这类短暂确认音的原因——模型在用户说话的同时就在生成这些回应，而不是在用户停下之后补一句。
OpenAI 在官方博客中对比了三代语音的对话录音，演示中，级联系统有约 2–3 秒的切换停顿，轮换式语音更快，GPT-Live 则能在用户说话时给出简短回应。这展示了节奏上的差别，并非统一条件下的延迟测试。
语音模型维持对话，GPT-5.5 负责搜索和推理
GPT-Live 的另一个变化，是将实时语音交互与较耗时的推理任务分开。
此前的高级语音模式主要依靠语音模型自身回答问题。为了及时回应，这类模型需要在运行速度和推理能力之间取舍，也因此难以总是跟上文字版模型的能力。
GPT-Live 换了一种做法。它作为一个对话前端——负责处理实时语音交互的节奏、语气和流畅度，但遇到需要搜索、深度推理或多步骤任务时，它会将问题委托给后台的 GPT-5.5，拿到结果后带回正在进行的对话。用户可以选择 Instant（即时）、Medium（中等）和 High（深度）三档推理强度。
这样一来，语音交互与后台推理模型可以分别更新。OpenAI 表示，会随着新的前沿模型发布，持续更新 GPT-Live 使用的后台模型。语音部分可以继续改善对话节奏，后台则接入新的搜索和推理能力。
TechCrunch 引用 ChatGPT Voice 产品负责人 Atty Eleti 的说法：「我们相信语音将成为管理日益复杂的长期 Agent 工作的主要计算界面。」GPT-Live 的任务委托方式与这一设想相符：语音部分维持交谈，后台模型处理较长的任务并返回结果。
内部评测显示推理和搜索提升，实际延迟仍待检验
OpenAI 公布了 GPT-Live-1 在几个关键基准上的内部测试数据。
OpenAI 表示，GPT-Live 在 GPQA（研究生级别科学推理测试）和 BrowseComp（测试 Agent 网页搜索能力）上的表现，均明显优于此前的高级语音模式。这些结果包含了后台 GPT-5.5 的搜索和推理能力，比较的是完整语音系统的表现。
人类偏好测试中，评估者进行了 5–10 分钟的配对对话，整体更偏好 GPT-Live-1。评测同时考察轮次、打断、对话流畅度和自然程度。
上述数据来自 OpenAI 内部评测。发布资料尚未给出足以比较实际部署表现的延迟、词错误率和 API 定价；人类偏好测试的样本规模与评估者构成也会影响结果的适用范围。kie.ai 对评测信息披露提出了类似疑问。对开发者来说，自身业务中的延迟、任务完成率和成本，仍需通过集成测试确认。
Gemini、Siri 和 Alexa 也在改善语音交互
当时的行业报道预计，Google 将于 7 月 17 日发布 Gemini 3.5 Pro，支持 200 万 token 上下文窗口和 Deep Think 推理。对于拥有 Android 分发渠道的 Google，语音是 Gemini 接近日常用户的一种方式，也是 ChatGPT 面对的竞争之一。
GPT-Live 的发布日期比上述预期日期早 9 天，但 OpenAI 没有说明两者是否有关。Build Fast with AI 在 7 月 13 日的日报中将这次发布解读为一次竞争动作，并指出，语音体验会直接由普通用户在交谈中判断，受众比编程基准更广。
苹果和亚马逊也在同一方向上推进。iOS 27 Beta 已允许用户自定义 Siri 的语速和表达风格，亚马逊在新版 Alexa 上增强了上下文处理能力。Oculus 联合创始人 Brendan Iribe 创办的 Sesame 推出了能在后台完成任务的自然对话助手。这些产品都在改善对话的连续性，不过各自采用的架构和能力范围并不相同。
语音客服有降本空间，仍要接好业务系统
呼叫中心和客服是这类语音模型的潜在应用市场。对话节奏改善之后，处理来电时的打断、追问和信息查询也可能更自然。
行业资料将全球呼叫中心市场规模估算为约 4960 亿美元。TechSci Research 预计，AI 呼叫中心细分市场将从 2025 年的 47.5 亿美元增长到 2031 年的 157.7 亿美元，年复合增长率约 22%。语音 AI 厂商常引用的成本对比是每通电话约 0.40 美元，人工坐席为 7 到 12 美元；这些是随任务、地区和成本范围变化的行业估算，并非 GPT-Live 的报价或实测结果。
GPT-Live 的几项能力与客服场景相符。实时翻译可以辅助多语言服务；如果接入业务系统并配置相应权限，任务委托模式可用于查询知识库、调取历史订单或办理退款；全双工交互则让客户更容易打断、追问和纠正。后台查询仍需要时间，模型可以在等待结果时继续与用户交流。
OpenAI 的内部评测还采用了 τ³-Voice Telecom 的一个变体，通过模拟多轮电信客服任务评估系统能力。实际部署还需完成电话系统、业务工具和人工转接等集成。
发布时暂不支持视频，插话时机仍需调校
GPT-Live 在发布时有多项已知限制。视频和屏幕共享尚未支持，OpenAI 表示「正在引入这些能力」。部分语言存在非母语口音或流利度不足的问题——TechCrunch 在发布会上观察到印地语翻译带有明显的美国口音。发布时 API 访问仍处于「即将推出」状态，开发者尚不能通过 API 将它接入自己的产品。
安全方面，GPT-Live 的原始系统卡当时报告，多数受测类别的表现与高级语音模式持平或更优；情绪依赖得分从 0.88 降至 0.82，GPT-Live-1 mini 的性内容得分从 0.97 降至 0.95。OpenAI 后于 8 月 4 日说明评测配置与发布版本不一致，重测后将后一项更正为 0.92，并披露部分重测结果相较原报告出现统计显著下降，但仍达到其发布安全标准。OpenAI 同时表示，GPT-Live 使用预定义声线，并设有防止模仿真人声音的保护措施。
全双工语音也增加了对插话时机的调校要求。Hacker News 上的早期测试者报告了模型在用户还在说话时就笑出声的 bug，OpenAI 后续做了修复。回应过于频繁会打断用户，一味等待又会失去全双工交互的优势。模型需要根据停顿、语气和对话内容决定何时说话。
发布时，GPT-Live 的两款模型开始向全球 ChatGPT 用户推出：GPT-Live-1 作为付费用户默认语音模型，GPT-Live-1 mini 作为免费用户默认模型。九个 ChatGPT 声线均已为此重制。当时 API 开放时间和定价尚未公布。接下来除了其他厂商的语音更新，更值得关注的是 GPT-Live 接入实际业务后的任务完成率，以及 API 的延迟与成本。
