OpenAI于2026年7月8日发布新一代语音模型GPT-Live，并开始用GPT-Live-1和GPT-Live-1 mini升级ChatGPT Voice。与过去等待用户说完一句、再轮到模型回答的语音系统不同，GPT-Live采用全双工架构，可以持续听取输入，同时生成语音输出，让AI具备边听、边说、暂停、插话或保持安静的能力。

从“轮流说话”走向连续互动

早期语音AI通常采用串联方案：先通过语音识别把声音转成文字，再由大模型生成回答，最后通过语音合成读出来。这样的流程容易在不同模型之间损失语气和细节，也会带来明显延迟。后来出现的端到端语音模型减少了中间环节，但仍按一轮一轮处理，短暂停顿或背景噪声都可能被误判为用户已经说完。

GPT-Live的改变在于连续处理。模型每秒可多次判断当前应该继续听、开始说、暂停、打断还是调用工具。用户思考时可以自然停顿，也能在AI回答过程中随时追问；模型还可以用简短回应表示自己正在倾听。这种交互方式更接近真实对话，也为实时翻译、陪练和无障碍交互提供了更自然的基础。

即时对话与深度推理分工

全双工并不意味着所有复杂任务都由同一个实时模型完成。遇到需要搜索、深度推理或多步骤执行的问题时，GPT-Live会把任务委派给后台的前沿模型，同时继续维持对话。发布初期，后台使用GPT-5.5；未来OpenAI可以在不改变实时交互层的情况下替换更强的推理模型。

这一设计把“保持自然交流”和“完成复杂工作”拆成两个协同层：前台语音模型负责节奏、倾听和即时回应，后台模型负责搜索与推理。对语音客服、语言学习和智能助理而言，这种分工比单纯追求更快的朗读速度更具实际意义。

覆盖范围与限制

GPT-Live正在面向ChatGPT网页端、iOS和Android用户逐步开放。GPT-Live-1将用于Go、Plus和Pro用户，免费用户则默认使用GPT-Live-1 mini。新语音体验可结合搜索、记忆、图片、文件以及天气、股票、体育等可视化卡片，但发布时暂不支持在同一语音会话中进行视频或屏幕共享。

OpenAI还针对自伤、情感依赖、暴力和未成年人使用等场景扩展了音频原生安全评测，并在实时输出阶段加入干预机制。模型使用预设声音，同时设置防护以避免模仿真实人物的声音。

编辑观察：GPT-Live的价值不只是“声音更像人”，而是把语音从一个输入输出通道变成智能体的实时协作界面。未来语音AI的竞争重点，将逐渐转向对话节奏、后台任务调度、工具调用和长期安全监测。

本文根据OpenAI官方信息整理。来源：Introducing GPT-Live。配图为AIcent原创生成图。