OpenAI发布GPT-Live实时语音功能，后台调用GPT-5.5实现自然对话

OpenAI于近日正式发布GPT-Live，一款基于全双工架构的新一代语音模型，旨在提升ChatGPT语音交互的自然度和智能性。该模型能够同时听和说，支持用户随时打断、停顿思考，并以“嗯”“对”等简短回应保持对话流畅。后台可委派任务给GPT-5.5等前沿模型，处理搜索、推理等复杂需求，实现前台陪聊、后台干活的分离架构。

架构创新

• 全双工持续交互：GPT-Live在生成输出的同时持续处理输入，每秒可多次判断是否开口、倾听或打断，解决了此前轮次式模型因静音检测导致的抢麦问题。
• 深度任务委派：将实时对话与复杂任务解耦。前台GPT-Live负责低延迟交互，后台GPT-5.5（或后续模型）处理搜索、推理等任务，结果返回后自然融入对话。用户可选择Instant（快速）、Medium或High（深度思考）模式。

关键改进

• 更自然的对话：支持实时打断、停顿等待，背景噪声下更聚焦用户声音。OpenAI重新打磨了9种默认音色。
• 更智能的回答：接入GPT-5.5后，推理和搜索能力大幅提升。官方演示中，模型能实时翻译、查询天气、复盘面试等。
• 可视化回复：语音对话中可弹出天气、股票等可视化卡片，支持联网搜索、记忆、图片和文件上传。

评估与数据

• OpenAI建立新的人类评估体系，GPT-Live在愉悦感和流畅度上显著优于Advanced Voice Mode。对话流畅度评分从3.80提升至4.96（满分7分）。
• 在GPQA（科学推理）、BrowseComp（网页搜索）和τ³-Voice Telecom（客服任务）等基准测试中，GPT-Live均优于前代。
• 每周有超过1.5亿用户使用ChatGPT语音功能。

发布与限制

• 版本：GPT-Live-1（默认，面向Go/Plus/Pro用户）和GPT-Live-1 mini（面向Free用户）。
• 平台：iOS、Android和ChatGPT.com。
• 限制：上线时不支持视频和屏幕共享，不面向B端，不支持桌面端App、Codex和自定义GPT。API定价尚未公布。

行业对比

• 字节豆包：全双工模型Seeduplex，支持屏幕共享和视频，但未明确后台委派强模型。
• MiniMax：Speech 2.8主打TTS和声音克隆，适合内容生产。
• 面壁智能：MiniCPM-o 4.5全模态全双工，开源免费。
• 谷歌：Gemini 3.1 Flash Live Preview低价多模态，每分钟约0.036美元。
• ElevenLabs：企业语音Agent，每分钟0.08美元。

GPT-Live通过架构创新将语音交互推向更自然的水平，但产品细节和定价仍需完善。