社区
教程
Wiki
注册
登录
创作新主题
社区所有版块导航
Python
python开源
Django
Python
DjangoApp
pycharm
DATA
docker
Elasticsearch
分享
问与答
闲聊
招聘
翻译
创业
分享发现
分享创造
求职
区块链
支付之战
aigc
aigc
chatgpt
WEB开发
linux
MongoDB
Redis
DATABASE
NGINX
其他Web框架
web工具
zookeeper
tornado
NoSql
Bootstrap
js
peewee
Git
bottle
IE
MQ
Jquery
机器学习
机器学习算法
Python88.com
反馈
公告
社区推广
产品
短视频
印度
印度
一周十大热门主题
9点1氪：“国产存储第一股”长鑫科技公布承销团阵容；SK海力士登陆美股，上市首日大涨近13%；Ope...
ChatGPT「超级应用」上线即翻车！159 MB 膨胀近十倍，OpenAI 连夜道歉
【AI加油站】第一百七十九部：《动手学深度学习》精华全解读：从零到一，掌握AI时代的核心密码（附下载...
2026必看AI干货!《大模型/AIGC/GPT-4/Transformer/DL/KG/NLP/C...
英媒曝腾讯正洽谈成为Manus最大股东，腾讯：不予置评；OpenAI推出GPT-5.6系列模型丨AI...
推荐本周 9 个优质的 GitHub 项目
2026.07.11 果比AI早报 — 新一代GPT-5.6推理模型与ChatGPT Work代理及...
GPT-5.6来了，全员可转向ChatGPT Work
机器学习学术速递[7.15]
GitHub 不会用？这篇人话版指南建议收藏！
关注
Py学习
»
chatgpt
ChatGPT语音大升级，活人感拉满
36氪
• 1 周前 • 59 次点击
语音不再只是听觉，
更是全新的OS。
来源｜
爱范儿（ID：ifanr）
封面来源
｜
Pexels
如果你经常使用AI语音助手，大概率也经历过这种令人血压飙升的时刻：
你只是稍微停顿一下，AI就急着打断你开始输出；或者一阵环境噪音，就被它误判为你已经说完。整个过程的交流就像是在严格遵循「你一句、我一句」的回合制。
为了解决这个问题，就在今天，OpenAI正式推出了全新一代语音模型
GPT-Live。正如它的名字一样，这一次，ChatGPT的语音功能彻底
「
活
」
了过来。
据官方透露，目前每周有超过1.5亿人使用ChatGPT的语音和听写功能来练习外语、讲睡前故事或在通勤时打发时间。而从今天起，这1.5亿人将迎来一次豆包式的进步：
AI不再是一个过于冷冰冰的问答机器，而是一个会用
「
嗯嗯
」
、
「
对啊
」
来给你垫话，会在你卡壳时安静等待，甚至能在后台疯狂查资料的同时，前台还能若无其事陪你闲聊的
「
超级助理
」
。
告别「回合制」
AI终于点满了情商
要理解GPT-Live有多强，我们得先看看过去的AI语音有多「笨」。
在早期（比如初代ChatGPT Voice），AI语音采用的是「级联系统：你说话->语音转文字->大模型生成文字回复->文字转语音->播放给你听。信息在三个模型间来回折腾，不仅慢得让人抓狂，语气也十分僵硬。
到了后来的
Advanced Voice Mode（高级语音模式）
，OpenAI弄出了一个端到端的大模型，直接处理音频流。延迟确实低了，但它依然没有摆脱一个致命缺陷：回合制。
它必须死死盯着你的声音，一旦检测到「沉默」，就默认你闭嘴了，然后立刻开始它的表演。这种基于「静音检测」的机制，导致它极容易被背景噪音误导。
而GPT-Live带来的底层架构，叫做
「全双工架构（full-duplex）」
。
这意味着，它终于可以「边听边说」了。它不再是对讲机，而是一部真正的电话。模型每秒钟都在做出无数次交互决策：现在该说话吗？该继续听吗？该停顿吗？还是该打断用户？
落实到具体的体验上，这种改变是降维打击级别的：
学会了「垫话」：
当你在长篇大论时，GPT-Live不会一声不吭，它会适时地发出「mhmm（嗯嗯）」、「got it（懂了）」这样的语气词。这种微小的反馈，能给你提供极大的心理安全感。
懂得了「闭嘴」：
如果你对它说「让我想一下」，或者在说话中途明显卡壳，它会敏锐地捕捉到这种情绪，选择安静地等待。
抗干扰能力拉满：
哪怕你走在嘈杂的马路上，旁边有人大声喧哗，它也能精准锁定你的声音，不再因为环境噪音而引发莫名其妙的打断。
得益于「边听边说」的特性，它甚至能胜任实时翻译：你这边话音未落，它那边译文已经跟上，两种语言可以在同一条对话里无缝交错。
为了配合这种极致的自然感，OpenAI甚至将ChatGPT里的9种专属音色全部进行了重置（Remastered），让声音表现力更上一层楼。
前台陪聊，后台推理
如果说全双工架构只是让GPT-Live变得更好聊，那么它在底层架构上的另一次手术，则直接暴露了OpenAI对未来AI产品形态的勃勃野心。
在过去，我们总是希望一个模型能搞定所有事：既要反应快，又要能解微积分。但现实极其撕裂，「快」和「深」在算力上天然互斥。
于是，OpenAI在GPT-Live上做了一个极为聪明的决定：
解耦（Decoupled）。
GPT-Live被设计成了一个专门负责「前台接待」的交互模型，核心任务就是保持对话的流畅、自然。
而当你的问题需要全网搜索、深度逻辑推理，或者执行复杂的Agent任务时，GPT-Live会在后台悄悄把任务「外包」给最新的前沿大模型——首批上线调用的，正是GPT-5.5。
最绝妙的地方在于，在GPT-5.5吭哧吭哧进行复杂运算的时候，GPT-Live并没有闲着。
它会继续用自然的语音和你保持互动，帮你争取时间，直到后台把答案推理出来，它再无缝地将结果融入对话。
你甚至可以根据需求，选择GPT-5.5的推理力度：想要快，选Instant（即时）；想要它深入思考，选Medium（中等）或High（高强度）。
这套设计还埋了一个长线伏笔：前台陪聊和后台推理是分开的，意味着后台推理模型可以随时更换。
OpenAI明确表示，每当新的前沿模型发布，GPT-Live背后调用的模型也会随之升级。如无意外，明天我们就能见到GPT-5.6系列模型，GPT-Live的发布看起来也是在前哨站。
更换模型后，性能的提升也是显而易见的，在官方公布的盲测中，测试者与不同模型进行了5到10分钟的连续对话，结果GPT-Live-1以75.7%的偏好率碾压上一代高级语音模式。
就连缩水版的GPT-Live-1 mini也拿下了69.2%。在满分7分的「对话流畅度」评分上，GPT-Live-1拿到4.96分，而高级语音模式只有3.80分。
而在硬核数据上，差距更加悬殊：
GPQA（专家级物理化学生物推理）：GPT-Live-1在高强度推理档位下拿到84.2%的准确率，几乎是高级语音模式（45.3%）的两倍。
BrowseComp（复杂网页搜索与Agent能力）：这是最夸张的一项。高级语音模式的准确率只有可怜的0.7%，而GPT-Live-1最高冲到了75.2%，直接从「不可用」跨越到了「能干活」。
内部Telecom测试（多轮拟真电信客服支持）：GPT-Live-1在任务成功率上同样全面领先，展示了它作为语音Agent处理真实业务的潜力。
这种前后台分离的架构，不仅解决了「延迟」与「深度」的矛盾，更让开发者闻到了巨大的商机。OpenAI表示API版本即将推出，开发者和企业现在已经可以填表登记，第一时间获取上线通知。
语音不再只是听觉，更是全新的OS
除了听觉上的进化，GPT-Live还推出了视觉卡片。
纯语音输出往往是低效的。现在，当你和GPT-Live聊天时，遇到适合视觉展示的信息，它会在屏幕上直接弹出丰富的视觉卡片。
语音不再仅仅是一种输入方式，它正在成为统领搜索、记忆、图像识别和文件处理的超级入口。
OpenAI自己也毫不掩饰这个野心：官方原话是，这项研究将逐步解锁用语音完成更复杂、更长时程、更具Agent属性的工作。今天它帮你查天气，明天它可能就在替你打电话办业务。
不过，越像人的AI，带来的风险也越大。
在官方的系统卡（System Card）中，OpenAI花了大量篇幅讲述GPT-Live的安全性。因为语音的实时性太强了，传统的「事后屏蔽」根本来不及。
为此，OpenAI引入了全新的「原生音频评估」和「合成数据评估」，专门针对有害的进行了红蓝对抗。一旦检测到模型正在输出危险言论，系统可以立刻「把话头带偏」转向安全回复，或者在极高风险下直接切断语音，并为你推送经过专家审核的危机干预热线。
此外，针对未成年人，系统内置了家长控制功能（Parental Controls），并在模型底层注入了「适龄行为规范」。
至于很多人担心的「声音克隆诈骗」，OpenAI明确表示：
GPT-Live被严格限制为只能使用预设音色，绝不提供模仿真人声音的功能。
更有意思的是，OpenAI专门建立了一个长期监管机制，用来研究「情感依赖」。毕竟正如《Her》一般，当一个AI的声音如此真实，甚至懂得在你难过时用温柔的「嗯嗯」来回应你时，人类不可避免地会对其产生情感投射。
目前，GPT-Live已经开始向全球iOS、Android和Web端用户推送。Go、Plus和Pro付费用户将默认使用满血版
GPT-Live-1
，而免费用户也将体验到GPT-Live-1 mini版本。
（注意：首发暂不支持屏幕共享和视频对话，需切回老版本使用）。
还有一个小提醒：GPT-Live目前只针对ChatGPT上最热门的几种语言做了优化，某些语言下它可能会带着一股「外国口音」，甚至偶尔词不达意。OpenAI表示正在加紧补课。
回望过去几年，我们对AI的期待一直在发生变化。
最初，我们只希望它能听懂指令，别总是答非所问；后来，我们希望它能帮我们写代码、做报表，成为全能的生产力工具。
但今天，当GPT-Live真真切切地在你耳边，用略带停顿的语气发出一声「嗯，我听着呢」的时候，你会突然意识到：
比起一个无所不能的神，我们可能更需要的，是一个永远不会不耐烦、永远愿意倾听、并且真的懂你在说什么的「人」。
技术狂奔的尽头，终究还是回归到了人性的慰藉。
Python社区是高质量的Python/Django开发社区
本文地址：
http://www.python88.com/topic/198626
登录后回复
