OpenAI新模型 押注语音即AI入口 迈入实时对话时代

GPT-Live覆盖网页、iOS和安卓平台，未来接入API。它能实时翻译、听写、调整语速，还能后台无缝调用GPT-5.5等模型完成复杂推理和联网搜索，首发尚不支持视频和屏幕共享语音。两版本Live-1和Live-1 mini分别默认面向付费和免费用户，5-10分钟一对一盲测中性能均明显优于Advanced Voice Mode。OpenAI同时强化语音安全机制，高风险情况下可主动结束对话，家长可收到提醒；称每周已有超1.5亿人使用语音功能与ChatGPT交流。

OpenAI正进一步押注语音交互。

美东时间8日周三，OpenAI发布全新的语音模型GPT-Live，同步升级ChatGPT语音模式（ChatGPT Voice）。新模型采用原生实时架构，可实现人类与AI之间更加自然的双向语音交流，不仅支持打断、停顿理解、实时翻译、听写等能力，还能够在后台无缝调用GPT-5.5等模型完成复杂推理和联网搜索，将语音打造为ChatGPT新的统一交互入口。



OpenAI公告称，GPT-Live包括GPT-Live-1和GPT-Live-1 mini两个版本，目前已开始向全球ChatGPT用户陆续开放，覆盖网页、iOS和安卓平台，并计划未来数周向API开放，开发者和企业用户可提前登记获取通知。

此次发布意味着，OpenAI正进一步押注语音将成为AI时代最重要的人机交互方式。OpenAI在发布新模型时透露，目前每周已有超过1.5亿人使用ChatGPT Voice、Dictation等语音功能与ChatGPT交流。媒体评论认为，OpenAI希望未来用户越来越少依赖键盘输入，而更多直接与AI“说话”。

ChatGPT Voice 产品负责人 Atty Eleti说，此次发布语音模型“仅仅是个开始。我们认为，随着时间的推移，这将使语音成为与计算设备交互的主要方式。” 它还可以用于“管理日益复杂、耗时较长且具有自主代理（agentic）性质的任务”。

付费用户默认GPT-Live-1，免费用户使用Live-1 mini

此次推出的GPT-Live并非单一模型，而是包括两个版本：

GPT-Live-1：默认面向Go、Plus和Pro订阅用户；

GPT-Live-1 mini：面向免费用户开放，作为默认语音模型。

OpenAI表示，两款模型即日起开始全球逐步推送，覆盖网页版、iOS及Android客户端。此前数月ChatGPT桌面版曾暂时回退部分新版语音能力，而此次发布匝檀重新支持新版桌面语音体验。

同时，OpenAI还计划未来将GPT-Live接入API，方便开发者和企业将新的实时语音能力整合进自己的产品和应用。

GPT-Live-1两版本测评性能明显优于Advanced Voice Mode

相比此前ChatGPT采用的Advanced Voice Mode，GPT-Live最大的变化并不仅是响应速度。

OpenAI介绍，公司专门建立了一套新的人工评测体系，重点考察语音交流中的舒适度（pleasantness）和整体交流流畅性（flow of conversation）。

在持续5至10分钟的一对一盲测中，无论是GPT-Live-1还是GPT-Live-1 mini，都明显优于此前Advanced Voice Mode。





OpenAI表示，新模型在人类评测中，在以下多个维度均获得更高偏好：

整体交流体验（Overall Preference）

轮流说话自然程度（Turn-taking）

打断后的恢复能力（Interruptions）

对话流畅性（Conversational Flow）

是否更像人与人交流（Naturalness）

这也是OpenAI此次选择全面替换原有语音模型的重要原因。

“轮流说话”升级为“实时交流"，还能实时翻译、听写、调整语速

GPT-Live最大的技术升级，在于采用原生全双工（Full-duplex）语音架构。

过去，大多数AI语音助手仍遵循"你说一句、我答一句"的Turn-based模式，需要等待用户说完整句话后才能开始识别和生成回复，因此经常出现明显停顿，也难以处理中途打断。

GPT-Live则可以一边听、一边理解，同时实时准备回答。

模型能够识别用户只是短暂停顿思考，还是已经结束发言；当用户插话时，它还能立即停止讲话继续倾听，再自然接上对话，更接近人与人的真实交流方式。

与此同时，新模型还带来了多项能力升级，比如具备实时双向翻译（Live Translation）能力，能更准确地语音听写（Dictation）、作出更自然的停顿、语调与情绪反馈，还能根据用户要求放慢或加快说话速度，作出更自然的回应、语气词和倾听反馈。

例如，假如用户直接提出“能说慢一点吗”的要求，模型即可实时调整自己的说话节奏，而不是简单降低音频播放速度。

不只是语音模型，而是ChatGPT所有能力的新入口

相比语音效果提升，更重要的是GPT-Live已成为连接整个ChatGPT能力体系的新入口。

OpenAI表示，语音模型负责自然交流，而真正执行复杂任务时，可自动调用后台不同模型。

例如：

遇到复杂推理时，可自动切换GPT-5.5；

需要联网时，可直接调用Web Search；

涉及天气、股票、体育等实时信息，也能够调用对应能力，再将结果自然地以语音形式返回。

因此，GPT-Live不再是一套独立语音系统，而是ChatGPT所有AI能力的统一语音界面。

语音安全机制强化：高风险情况下可主动结束对话，家长可收到提醒

随着AI越来越接近真人交流，OpenAI此次同步升级了语音安全机制。

OpenAI表示，当系统检测到可能产生不安全内容时，可根据风险程度采取不同措施，包括：

引导模型生成更加安全的回复；

主动展示额外安全提示；

在风险较高情况下直接结束语音对话。

针对未成年人，OpenAI还将此前推出的家长控制功能扩展至ChatGPT Voice。

家长可以直接关闭青少年账号的语音功能；如果已经允许使用，而系统检测到青少年试图将对话引向自残等高风险内容，系统还会主动向家长发送提醒。

OpenAI表示，这些安全策略旨在让更加拟人的实时语音交互，在保持自然体验的同时，也能够满足更高等级的安全要求。

已向全球ChatGPT用户推送，但仍存在部分限制

OpenAI表示，GPT-Live已开始向全球ChatGPT用户陆续开放。

目前，新模型支持Web、iOS和Android平台，并针对ChatGPT中最常用的多种语言进行了优化。不过OpenAI也坦言，部分语言目前仍可能存在非母语口音或流畅度不足的问题，公司正持续改进多语言表现。

与此同时，新版GPT-Live在首发阶段尚不支持视频和屏幕共享语音模式，相关功能仍在开发中。现阶段，用户如果需要在视频或共享屏幕场景中使用语音交互，仍需使用此前的ChatGPT Voice（Legacy Voice）模式。

随着未来API正式开放，GPT-Live也将成为OpenAI向开发者提供实时AI语音能力的核心基础模型，进一步推动语音从聊天工具演变为AI时代的主要交互入口。