智东西7月9日报道，今天，OpenAI推出了其史上首款支持“边听边说”的全双工实时语音模型GPT-Live，提供GPT-Live-1与GPT-Live-1 mini两个版本。与此前的ChatGPT高级语音模式不同，GPT-Live能够像真人一样在倾听的同时持续思考和表达，不再需要等待用户完全说完才开始回复。用户可以随时打断、补充、追问，模型也会根据对话节奏实时调整回应方式，甚至用“嗯”、“对”、“我在听”等语气词表达倾听状态。
GPT-Live还实现了语音交互与深度推理能力的拆分，GPT-Live负责维持实时对话，而复杂搜索、深度推理等任务则交由后台模型GPT-5.5并行处理。这意味着即便模型正在执行搜索或复杂思考任务，对话本身也不会被迫中断。
▲GPT-Live-1与GPT-5.5的协作模式（图源：OpenAI）
GPT-Live的上述能力，与几个月前上线的豆包全双工语音模型颇为类似。我们也让豆包和GPT-Live简单聊了会儿天（女声是豆包，男声是GPT-Live），他俩可以自然对话，懂得互相等待、不插话，都支持打断和联网搜索。至于延迟方面，在这段对话中GPT-Live略胜一筹。
目前，GPT-Live已经上线ChatGPT应用、网页端，其API服务将在未来推出。在App中，用户只需双击语音交互按键就可以进入Live模式，直接与GPT-Live对话。智东西第一时间对GPT-Live进行了体验测试。整体来看，其最明显的变化是交互流畅度大幅度升级，在实时翻译、长对话、搜索问答等场景下，GPT-Live已经能够呈现出接近真人交流的互动节奏。
过去几年，大模型语音交互始终存在一个明显短板：对话不够自然。无论是早期的Siri等语音助手，还是后来的ChatGPT语音模式，本质上仍然遵循“你说一句、我答一句”的轮次式交互逻辑，中间不可避免地出现停顿、等待甚至误打断。OpenAI此次推出的GPT-Live，试图解决的正是这一问题。从技术架构来看，GPT-Live最大的变化在于采用了全双工（Full Duplex）架构。简单来说，模型不再需要等待用户说完再开始处理信息，而是能够像真人一样实现“边听边说”。我们用一个同声传译的案例考察了GPT-Live的这一能力，在这个场景下，GPT-Live需要在我说完所有内容之前，就开始输出翻译结果。从下方案例可以看到，在我开始说话大概8秒钟之后，GPT-Live就输出了第一句英文翻译，同时，它也准确“听见了”我后续说的所有内容，基本实现了实时翻译。这种翻译质量和体验已经和一个真人同声传译译员没有明显差距了。在实际对话过程中，GPT-Live会持续接收音频输入，并实时判断当前最合适的动作：继续倾听、插入回应、暂停等待、打断补充，或者调用工具执行任务。比如，在下方这个案例时，当我停顿思考时，模型不会急于抢话；当我想要补充内容时，也可以随时插话打断；讨论过程中，GPT-Live还会通过“嗯”、“明白了”、“对”等自然语气词表达正在认真倾听。此次，OpenAI还在语音交互的UI画面上做了创新。如今，在与用户语音对话的同时，ChatGPT可以展示天气、股票、体育等话题的视觉卡片。我们尝试了下，在询问天气这个场景，ChatGPT准确给出了旧金山的天气卡片，但在给出北京的天气卡片时出现了错误，发送成东京的天气信息。从评测结果来看，在衡量对话愉悦度和流畅度的人工评测中，GPT-Live-1、GPT-Live-1-mini的均高于旧版ChatGPT高级语音模式。也就是说，GPT-Live在处理交替对话、打断等复杂场景的表现，以及整体的质量都有了明显提升。OpenAI为GPT-Live重新制作了ChatGPT中的九个不同语音。这些语音的风格都比较自然轻松，不过在中文场景有时会出现一些发音不准确或者错误。
在GPT-Live中，OpenAI的另一大创新是将对话能力和推理能力进行了拆分，可以并行进行，而不是像传统的级联式架构那样必须依次串行处理。分工上，GPT-Live本身负责实时交流，而当用户提出需要搜索、深度推理或复杂任务执行的问题时，它会将任务后台委派给更强大的基础模型处理。目前这一角色由GPT-5.5承担。因此，即使模型正在执行搜索、推理任务，用户也无需等待漫长的推理过程结束。GPT-Live可以继续保持对话，并在后台结果生成后，自然地将答案带回当前交流之中。我们对比了一下旧版ChatGPT语音交互与GPT-Live在深度搜索场景的区别。在旧版ChatGPT语音交互中，当我问及GPT-5.5的用户反馈信息时，模型需要等待大概10多秒才能给出回复，完全打断了对话节奏。而在与GPT-Live讨论同一个话题时，它能立刻开始回复，并且用语气词填补了搜索带来的停顿空白。OpenAI用一个演示形象地呈现了GPT-5.5和GPT-Live的协作模式，可以看到，GPT-5.5的搜索和推理与GPT-Live的回复是有部分重叠的，也就是说GPT-Live在GPT-5.5给出完整回答之前就已经开口了。同时，GPT-Live系列模型还支持思考强度的选择，用户可以自定义低中高三档思考强度，最低档可以获得更快的相应，而在中高档中模型会花更多时间思考，然后再给出回复。上述能力也让GPT-Live-1在通用基准测试中，取得了优于旧版ChatGPT高级语音模式的成绩。比如，在考察科学推理能力的GPQA、考察搜索的BrowseComp、测试Agent能力的τ³-Voice Telecom中，GPT-Live-1、GPT-Live-1-mini都断层领先于旧版ChatGPT高级语音模式。
纵观目前业界主流的语音模型，全双工架构、实时反馈、自然打断、多模态交互、后台推理协同等能力，正在成为厂商的共识。
GPT-Live的此次更新，或许可以进一步扩展ChatGPT在陪伴聊天、实时翻译、信息查询、移动办公等轻量化、高频场景中的应用边界，让用户与AI之间的交流更接近人与人之间的自然沟通。随着模型实时理解、多任务协同和情感化表达能力持续提升，语音交互也有望从大模型产品中的一个附属功能，逐渐演变为新的核心入口之一。
