OpenAI 发布 GPT-Live：全新全双工语音模型，让与 AI 对话像真人交流

原文链接：https://openai.com/index/introducing-gpt-live/

我们正在推出 GPT‑Live，这是一种全新一代的语音模型，让与 AI 对话的感觉更接近与真人交谈。

GPT‑Live 基于全双工（full-duplex）架构构建，意味着它可以同时听和说。在对话过程中，GPT‑Live 可以用“嗯”“对”这样的短语表示它正在认真听，可以进行快速的你来我往，也可以在你需要思考时安静等待。最终的语音体验让人聊起来倍感轻松自然。

GPT‑Live 也是我们迄今最智能的语音模型。对于需要联网搜索、深度推理或更复杂工作的提问，它会在后台将任务委派给我们最新的前沿模型，并在结果就绪时将其带回对话中。在后台处理的同时，GPT‑Live 仍可以继续与你交谈，保持对话的流畅。上线时，GPT‑Live 后台将使用 GPT‑5.5。随着我们发布新的前沿模型，GPT‑Live 所使用的模型也会持续更新。

这些进步为全新的 ChatGPT Voice 体验提供了动力，使其更智能、更自然。长远来看，我们相信这项研究还将解锁用语音完成越来越复杂、运行时间越来越长、更具 Agent 属性的工作的能力。

我们今天开始向全球 ChatGPT 用户推出两个版本的 GPT‑Live：GPT‑Live‑1 和 GPT‑Live‑1 mini。我们还计划尽快将它们引入 API，开发者和企业可以通过这个表单报名获取通知。

迈入人机交互的新时代

我们的愿景是实现真正自然的人机交互：一个让与 AI 协作如同与另一个人共事般流畅灵敏的世界，同时推理和复杂任务的执行在后台无缝完成。

此前的方案

更早几代的语音 AI 系统让我们更接近这一愿景，但伴随着重要的权衡。

级联式语音系统

级联式语音系统（cascaded voice systems）依赖一系列模型依次处理每一轮对话。最初的 ChatGPT Voice 将三个模型串联在一起：一个语音转文字模型来转录你的语音，一个大语言模型来生成回复，再由一个文字转语音模型将其转换回语音。这种方式让我们第一次能与前沿 AI 模型对话，但其复杂性也带来了代价：信息可能在模型之间流失，回复缓慢且生硬。

轮次式语音模型

像 ChatGPT Advanced Voice Mode 这样的轮次式语音模型在单一模型内同时处理和生成音频，降低了延迟，让对话更流畅。但它们仍然通过离散的轮次运作。模型必须等待用户说完才能回应，导致一来一回显得僵硬。此外，由于轮次检测基于静音判断，即使是短暂的停顿或背景噪音也可能被误认为对话结束，使模型在不恰当的时候打断你。

我们的新方案

GPT‑Live 通过两项架构上的改变来解决这些局限。

持续交互

首先，我们为 GPT‑Live 打造了基于全双工架构的持续交互能力。

GPT‑Live 不再处理一系列各自独立的消息，而是在生成输出的同时持续处理输入。因此，模型每秒可以多次做出交互决策：是说话、继续听、暂停、打断，还是调用某个工具。

这使得模型能够进行更自然的来回对话，更好地把握时间感，甚至能完成实时翻译。

深度工作的委派

其次，我们将负责持续交互的 GPT‑Live 与深度工作解耦。当某个问题需要搜索、推理或更强的 Agent 能力时，GPT‑Live 可以把任务委派给另一个模型，比如 GPT‑5.5。这样它就能在后台同时处理多项任务的同时，让对话继续下去。

这一架构改变还让 GPT‑Live 可以持续使用最新的模型和 Agent，将前沿智能与自然交互结合起来。

评测结果

我们构建了新的人类评测来衡量愉悦感和对话的流畅度。在这些正面较量中，在衡量整体偏好、轮次切换、打断、对话流畅度以及每次交互的自然程度的 5 到 10 分钟匹配对话里，GPT‑Live‑1 和 GPT‑Live‑1 mini 相比 Advanced Voice Mode 获得了明显更高的偏好。

• GPQA：GPT‑Live‑1 在 GPQA 上大幅优于 Advanced Voice Mode，该测试考察的是生物学、化学和物理学领域的专家级科学推理。
• BrowseComp：GPT‑Live‑1 在 BrowseComp 上相比 Advanced Voice Mode 有显著提升，该测试考察的是 Agent 式联网搜索以及查找难以定位的信息的能力。
• τ³-Voice Telecom（内部变体）：GPT‑Live‑1 在 τ³-Voice Telecom 上优于 Advanced Voice Mode，该测试考察语音 Agent 完成贴近真实场景的多轮电信客服任务的能力。

全新的 ChatGPT Voice 体验

每周有超过 1.5 亿人通过 Voice 和 Dictation 等功能与 ChatGPT 对话。他们用它来获得免手的日常帮助、练习语言、讲睡前故事，或只是在通勤时聊聊天。

从今天起，当你点击语音按钮与 ChatGPT 交谈时，你将获得由 GPT‑Live 驱动的升级体验：更自然的对话、更聪明的回答、更好的倾听以及视觉化的回应。

更自然的对话

与 ChatGPT 交谈现在应该更像一场真实的对话。你可以用提问打断它、暂停一下整理思路，或者让 ChatGPT 说慢一点。它会自然地用“嗯”“知道了”这样的短语回应你，让你知道它在跟上。我们还为 GPT‑Live 重新制作了 ChatGPT 中的九种不同声音。

更聪明的回答

ChatGPT Voice 现在可以调用我们最新的前沿模型，在需要时给出更聪明的回答。你还可以选择适合自己需求的推理深度：Instant 用于快速响应，Medium 和 High 则用于想让 ChatGPT 多花点时间思考的场景。

更好的倾听

如果你停下来思考，ChatGPT Voice 现在会等待，而不是急着插嘴打断。如果你让它安静地听，它就会照做。当周围有背景噪音，比如驶过的车流或附近的谈话声时，ChatGPT 也能更好地聚焦你的声音，而不会分心。

一目了然的视觉化回答

有些回答能看见会更有用。在你说话的同时，ChatGPT 现在可以为天气、股票、体育等主题展示丰富的视觉卡片。语音功能也继续支持搜索、记忆、图片和文件上传。

最终带来的，是一个在日常生活中更自然、更强大、更实用的 ChatGPT Voice 体验。

为语音而设计的安全性

GPT‑Live 默认就是安全的。它在最新模型的安全进步之上，增加了针对关键风险领域的专门安全训练，以及专为语音设计的新防护措施。

扩大的安全测试

为了更好地反映人们在真实场景中使用语音的方式，我们首先扩大了安全测试，加入了新的原生音频评测。我们还创建了使用生成音频的合成评测，更集中地聚焦关键安全领域，并借鉴了从 Advanced Voice Mode 中学到的经验。这些领域包括自残、精神病和躁狂、对 AI 的情感依赖、暴力和性内容。内部专家还对模型进行了针对语音特有风险的红队测试。

在我们的测试中，GPT‑Live 在几乎所有评估领域的表现都达到或优于 Advanced Voice Mode。你可以在 GPT‑Live 的系统卡片中了解更多关于测试和防护措施的内容。

内置防护措施

由于语音对话是实时展开的，我们还构建了能够在模型说话时即时生效的防护措施。当系统检测到潜在不安全的输出时，它可以将模型引导至更安全的回应、显示额外的安全提示或资源，或在风险较高的情形下结束语音对话。对于涉及自残的对话，我们为语音适配了 ChatGPT 的支持流程，包括提供经专家审核的危机热线支持。

我们设计了额外的保护措施来支持青少年用户，并将符合年龄的行为直接训练进模型，以降低不当回复的风险。家长可以通过 Parental Controls 选择是否允许青少年使用 ChatGPT Voice；在涉及潜在自残或自杀意图迹象的高风险情形下，关联的家长可能会收到通知。

从真实使用中学习

我们还在推出聚焦于情感依赖的长期测量和上线后监测，以持续加深理解并完善防护措施。在以往对情感使用与心理健康的研究基础上，这将帮助我们识别新出现的模式，改进系统在情感敏感交互中的回应方式。

最后，GPT‑Live 是为对话而设计的，而非声音模仿。它在 ChatGPT 中使用一组预定义的声音，并配有防止模仿真实人物声音的防护措施。

我们致力于支持安全与身心健康，并将随着从真实使用中不断学习来持续加强这些保护。

可用性与局限

GPT‑Live 现在正向全球 ChatGPT 用户在 iOS、Android 和 ChatGPT.com 上推出。GPT‑Live‑1 将成为驱动 Go、Plus 和 Pro 用户 ChatGPT Voice 的默认模型，而 GPT‑Live‑1 mini 将成为 Free 用户的默认模型。更多可用性详情可在我们的帮助中心查看。

我们针对 ChatGPT 中一些最热门的语言对 GPT‑Live 进行了优化。对于某些语言，模型可能会有非母语的口音或流畅度上的不足。我们正在积极改进跨语言的体验。

上线时，GPT‑Live 在 ChatGPT 中暂不支持语音配合视频或屏幕共享，但我们正在尽快推出这些能力。你仍可以使用旧版的 ChatGPT Voice，包括 Standard 和 Advanced Voice Mode，这些功能在它们可用的地方仍然支持。