OpenAI 发布 GPT-Live，实现全双工语音对话

OpenAI 正式发布 GPT-Live，这是一个新一代语音模型，旨在让与 AI 的对话更像真实交流。GPT-Live 采用全双工架构，可以同时听和说。在对话中，它能用“嗯”“对”等词语表示正在倾听，也能快速接话，或在用户思考时保持安静。结果是带来一种轻松自然的语音体验。

GPT-Live 也是目前最智能的语音模型。对于需要网络搜索、深度推理或更复杂工作的提问，它会将任务委派给后台的最新前沿模型，并在完成后将结果带回对话中。在后台工作时，GPT-Live 可以继续与用户交谈，保持对话流畅。发布初期，GPT-Live 后台使用 GPT-5.5。随着 OpenAI 推出新模型，GPT-Live 使用的模型也会持续更新。

这些进步为 ChatGPT Voice 带来了更智能、更自然的使用体验。OpenAI 认为，这项研究未来还将解锁更复杂、更长时间运行、更智能体化的语音工作。

从今天起，OpenAI 开始向全球 ChatGPT 用户逐步推出两个版本：GPT-Live-1 和 GPT-Live-1 mini。这两个版本未来也将通过 API 提供，开发者和企业可通过此表单注册接收通知。

OpenAI 的愿景是实现真正自然的人机交互：与 AI 协作就像与另一个人交流一样流畅和响应自如，同时推理和复杂任务执行在后台无缝完成。

旧一代语音 AI 系统虽然让这一愿景更近一步，但存在重要权衡。

级联语音系统依赖一系列模型依次处理每个轮次。最初的 ChatGPT 语音 将三个模型串联：语音转文本模型转录用户语音，大语言模型生成回复，文本转语音模型将回复转换为语音。这种方法首次实现了与前沿 AI 模型的对话，但复杂性带来了代价：信息可能在模型间丢失，响应缓慢且生硬。

级联语音系统

缓慢而生硬的响应，长时间停顿

音频示例：级联语音系统

基于轮次的语音模型（如 ChatGPT 高级语音模式）在单个模型内处理和生成音频，降低了延迟，使对话更流畅——但仍是基于离散轮次工作。模型必须等用户停止说话才能回应，导致生硬的来回切换。此外，由于轮次检测基于静默，即使是短暂停顿或背景噪音也可能被误认为轮次结束，导致模型在不自然的时间打断。

基于轮次的语音模型

响应略快更流畅，但交互仍显生硬

音频示例：基于轮次的语音模型

GPT-Live 通过两项架构变化解决了这些限制。

首先，GPT-Live 采用全双工架构实现连续交互。它不再处理一系列独立消息，而是持续处理输入的同时生成输出。因此，模型可以每秒多次做出交互决策：是否说话、继续倾听、暂停、打断或调用工具。这使得模型能进行更自然的来回交流，保持更好的时间感，甚至进行实时翻译。

连续交互

快速、自然、富有表现力的响应，更积极的倾听

音频示例：连续交互

其次，GPT-Live 将处理连续交互的自身与深层工作解耦。当问题需要搜索、推理或更智能体化的能力时，GPT-Live 可以将任务委派给另一个模型（如 GPT-5.5）。这使得它即使在后台处理多项任务时也能保持对话继续进行。

这种架构变化还允许 GPT-Live 持续使用最新模型和智能体，将前沿智能与自然交互相结合。

深度工作委派

GPT-Live 提供快速自然的响应，GPT-5.5 在后台处理搜索

音频示例：深度工作委派

OpenAI 建立了新的人类评估来衡量对话的愉悦度和流畅度。在头对头比较中，GPT-Live-1 和 GPT-Live-1 mini 在 5-10 分钟的匹配对话中，在整体偏好、轮次切换、打断、对话流畅度和自然感方面均大幅优于高级语音模式。

• GPQA：GPT-Live-1 在 GPQA（测试生物学、化学和物理领域专家级科学推理能力）上大幅超越高级语音模式。
• BrowseComp：GPT-Live-1 在 BrowseComp（测试智能体网络搜索和查找困难信息的能力）上表现强劲。
• τ³-Voice Telecom（内部变体）：GPT-Live-1 在 τ³-Voice Telecom（测试语音代理处理真实多轮电信支持任务）上优于高级语音模式。

• GPT-Live-1（即时版）和 GPT-Live-1 mini 使用后台 GPT-5.5 Instant 模型，而 GPT-Live-1 Medium 和 GPT-Live-1 High 使用 GPT-5.5 Thinking 模型，分别对应中等和高推理努力。
  ** 该评估使用定制用户模型，基于最新推理模型。

每周有超过 1.5 亿人通过语音和听写功能与 ChatGPT 对话。他们用来获取免提日常帮助、练习语言、讲睡前故事或在通勤时聊天。

从今天起，用户点击 ChatGPT 的语音按钮后，将获得由 GPT-Live 驱动的改进体验：更自然的对话、更智能的回答、更好的倾听能力以及可视化响应。

与 ChatGPT 对话应该感觉更像真实交流。你可以打断提问、停顿思考或要求它放慢语速。它会自然地用“嗯”或“明白”等词语回应，让你知道它在跟随。OpenAI 还为 GPT-Live 重新制作了 ChatGPT 中的九种不同声音。

ChatGPT Voice 现在可以调用最新的前沿模型，在需要时提供更智能的回答。用户还可以根据需求选择推理级别：即时版用于快速响应，中等或高推理版用于更深入思考。

如果你思考一下，ChatGPT Voice 会等待而不是打断。如果你要求它保持安静倾听，它就会照做。当有背景噪音（如车流或附近对话）时，ChatGPT 能更好地聚焦你的声音而不会分心。

一些答案在可视化后更有用。在对话过程中，ChatGPT 现在可以显示丰富的视觉卡片，涵盖天气、股票、体育等主题。语音功能继续支持搜索、记忆、图像和文件上传。

结果是 ChatGPT Voice 在日常使用中更自然、更强大、更有用。

GPT-Live 在设计上默认安全。它建立在最新模型的安全进步之上，同时针对关键风险领域增加了专门的安全训练，并引入了专为语音设计的新防护措施。

为了更好地反映人们在现实场景中使用语音的方式，OpenAI 首先将安全测试扩展到新的音频原生评估。他们还创建了合成评估，使用生成音频更集中地关注关键安全领域（借鉴自高级语音模式的经验），包括自我伤害、精神病和躁狂症、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。

在测试中，GPT-Live 在几乎所有评估领域中的表现均与高级语音模式相当或更好。更多测试和防护措施详见 GPT-Live 系统卡。

由于语音对话实时进行，OpenAI 还构建了可在模型说话时起作用的防护措施。当系统检测到潜在不安全输出时，它可以引导模型转向更安全的响应、显示额外的安全消息或资源，或在高风险情况下结束语音对话。对于涉及自我伤害的对话，OpenAI 将 ChatGPT 的支持流程适配到语音中，包括提供专家验证的危机热线支持。

他们还设计了额外保护以支持青少年用户，直接训练模型适龄行为以降低不当回复风险。家长可以通过家长控制选择是否允许青少年使用 ChatGPT Voice，并在涉及潜在自我伤害或自杀意念的高风险情况下接收通知。

OpenAI 还推出了长期测量和发布后监控，重点关注情感依赖，以持续改进理解和优化防护措施。基于以往关于情感使用和幸福感的研究，这将帮助识别新出现的模式，并改善系统在情感敏感交互中的响应方式。

最后，GPT-Live 专为对话而设计，不用于声音模仿。它在 ChatGPT 中使用一组预定义声音，并配有防护措施防止模仿真人声音。

OpenAI 致力于支持安全与福祉，并将在实际使用中不断学习和加强这些保护。

GPT-Live 现在开始向全球 ChatGPT 用户（iOS、Android 和 ChatGPT.com）推出。GPT-Live-1 将成为 Go、Plus 和 Pro 用户的 ChatGPT Voice 默认模型，GPT-Live-1 mini 将成为免费用户的默认模型。更多可用性详情请查看 帮助中心。

OpenAI 已针对 ChatGPT 中最常用的语言优化了 GPT-Live。对于某些语言，模型可能存在非母语口音或流畅度不足。OpenAI 正在积极改进多语言体验。

发布初期，GPT-Live 不支持视频或屏幕共享的语音功能，但 OpenAI 正在努力尽快引入这些能力。用户仍可访问 ChatGPT Voice 的旧版本（包括标准和高级语音模式），这些版本支持上述功能。

---

原文链接：OpenAI Blog
本文由前途科技编辑整理