ChatGPT语音杀入桌面！你负责动嘴，一群AI负责干活

  新智元报道  

近日，Andrej Karpathy分享了一个他自己很爱用的懒办法：想让AI干活，又懒得一个字一个字把需求打清楚，怎么办？

他说，那就靠回椅背切到语音，意识流全开，说个10分钟，一团乱麻、怎么说都行。

有时开口先和AI声明一句「切语音识别了，别介意错别字」。

神奇的是，他发现AI特别擅长把这种又长又乱的碎碎念重新拼起来，回给你的版本，往往比你自己说的还干净：你脑子里那团纠缠的想法被它捋顺了，来回纠偏的次数也变少了。

这正是Andrej Karpathy自己跟AI打交道最顺手的一种方式。

用他的话说，这能改善人和模型之间的「心智融合」，人常常懒得把一件事的来龙去脉一个字一个字敲清楚，那还不如干脆开口，把整团乱麻一股脑倒出去。

语音的价值不在解放双手，而在把上下文高带宽地倒给AI。

就在这几天，OpenAI干脆把这套「用嘴指挥AI」的玩法，直接搬进了桌面。

7月23日，OpenAI把ChatGPT语音（Voice）正式送进桌面版App的Work与Codex场景。

当天起在macOS和Windows上全球分批推送，覆盖Plus、Pro、Business、Edu、Enterprise各档，Android即将跟上，iOS则通过Remote配对远程接入。

它的底层，是7月8日刚上线的新一代语音模型GPT-Live，能同时听和说：你随时打断，它接着你最新那句往下走，而不再是老式那种「先录音、再转文字、然后回你一句」的笨办法。

关键在于，这次语音不只是拿来闲聊。

在Work和Codex里，你张嘴就能启动一个任务、问它跑到哪了、看某个智能体现在什么状态，还能在同一段对话里同时协调好几个Agent，让它们各干各的。

任务在后台跑着，你随时插一句让它换方向；它卡住了或干完了，会主动开口，或在屏幕上给你提个醒。

它甚至能顺着你手头的活儿往下接：调用已有的项目上下文，连上文档、日历、联系人和通讯记录，把一件做了一半的事收尾。

官方也给出了一些日常生活实例：让它查日历有没有冲突、翻邮箱看航班改没改、顺手把会议纪要备好，「趁你泡咖啡或者忙别的」，这些活在后台自己就跑完了。

macOS上还多一手Appshots和屏幕上下文，能直接读你当前最前面那个窗口，结合本地文件和代码库一起理解，热键也能自定义。

Codex加ChatGPT Work的周活已经过了1000万。

OpenAI发的宣传片里有个画面很有意思：几名工程师站在同一个房间，对着同一个桌面会话，各说各的指令：一个AI，一屋子人围着它下命令。

这大概就是他们想象的「群体编程派对」。

OpenAI用一段居家场景演示ChatGPT Voice：开口把想做的事说给桌面版Codex，它在后台接着干。

这当然不是OpenAI一家心血来潮。

几乎同一周，三个行业大佬几乎不约而同地把票投给了「语音」。

Karpathy在X上发帖，他说上下文太多、又懒得打字的时候，就乱聊一通，让AI去整理。

一位Grok的铁粉转发了Karpathy的帖子，说自己早用惯了Grok的语音转文字，「现在打字都觉得像上刑」，还顺便吐槽了Anthropic的语音输入「其实还挺基础的」。

马斯克把这条又转了出去，补上一句：你可以像跟人说话一样，用Grok Build把任务交给Grok去干。

奥特曼也不忘推销自己新一代语音模型GPT-Live。

他自曝一向更爱打字不爱跟AI说话，但如今他跟ChatGPT「说的已经比打的多了」。

他还专门点出：当你有一大堆上下文要一次性倒给AI的时候，语音最好用。

让三位大佬兴奋的，其实不是「终于能用嘴了」这么简单。

这背后藏着这样一个逻辑：智能体越来越强，你要喂给它的意图也越来越复杂，键盘这条管道就开始拥堵了：

而语音输出，则是天生的宽管道：你能一口气把前因后果、顾虑偏好全说出来，哪怕说得乱，模型也能兜住，再替你把那团意识流理清楚。

社区里已经有人实测：语音吞吐大概每分钟240个词，打字顶多70到80个词，差了三四倍。

GPT-Live把重活甩给后台的GPT-5.5、GPT-5.6去想，前台只管让对话流畅地接住你，这套解耦，恰恰是为了让人们可以随便开口。

说到底，人脑里的想法本就是并行的、跳跃的，键盘却逼你压成一行一行的字。

而语音让这道墙松动了：它正从一个「偷懒的输入法」，变成一个「高带宽的上下文入口」。 

一句话，打字是AI输入的瓶颈，但语音不是。

OpenAI这次真正塞进桌面版的，是让语音去「管AI」。

按官方FAQ，在Work和Codex里，你开口能干这些事：启动一个任务，给几个任务排优先级，中途打断、掉头改方向，而活儿在后台继续跑。

更进一步，它能在多个对话和项目之间，协调好几个智能体一起干。你说一句「A先做，B先挂着，C出结果了叫我」，后台就照着重排。

它还能接着上次的活儿往下干。靠的是项目上下文，加上连接进来的工具，你的文档、日历、联系人、通讯记录。

任务卡住了或者干完了，它会用语音或者屏幕上的提示告诉你一声。

这已经不是语音输入法的活儿了，它更像一个中枢，你在上面调度一支智能体团队。

同样是开口和AI说话，以往是让AI听懂你，现在是让AI替你干活。

一个语音功能背后，藏着一条更大的路线：OpenAI想让ChatGPT做你的「AI工作操作系统」。

这几个月，OpenAI一直在重做桌面版ChatGPT，把Chat、Work、Codex放进了同一个入口，一键切换，在后台长期跑着。

Codex，也早扩成了能并行多个智能体、跑长任务、读懂整个项目的通用平台。

为什么把这套能力放桌面，而不是留在人人都在用的手机上？

主要是因为手机那块小小的聊天框干不了复杂活儿，它适合随口问两句。

真要让AI连着你的文件、代码和软件，把一件事从头做到尾，它就得待在你的电脑里：

这背后，是一次人类与AI交互方式的翻转。

过去你用AI，是在「操作软件」：打开、输入、等待，一个回合一个回合地来。

现在你更像个带团队的经理：开口把任务分下去，你和AI的关系，从「你问它答」，悄悄变成了「你说它做」。

一位重度用户干脆说，这套东西用起来「基本就是贾维斯」。

他甚至让Codex帮自己配了个快捷键，一开口就能在三台机器、几块屏幕之间来回切换。

回到开头那个场景，真正让马斯克、奥特曼、Karpathy等大佬们兴奋的，不是可以扔掉键盘了，而是当输入不再是瓶颈，人可以把省下来的那点脑力，还给真正值得琢磨的事：决策。

所以下一个问题，其实不是「你能不能开口」，而是当你面前站着一屋子随叫随到的AI，你到底想让它们，替你做什么。

参考资料：

编辑：元宇