GPT-Live 发布：全双工语音模型上线 ChatGPT，后台可委托 GPT-5.5

原文链接：https://openai.com/index/introducing-gpt-live/ 参考来源：OpenAI 官方博客（2026-07-08）、@OpenAI / @athyuttamre 等 X 官方口径、Help Center 与发布后 24 小时内公开讨论信息整理时间：2026-07-09

GPT-Live 官方发布封面

OpenAI 于 2026 年 7 月 8 日发布新一代语音模型 GPT-Live，接替 Advanced Voice Mode 驱动 ChatGPT Voice。官方把它描述为「更接近真实对话」的语音体验。

核心是两点：一是 全双工（full-duplex） 架构，可同时听与说；二是遇到需要搜索、深度推理或更复杂工作时，会在后台委托最新 frontier 模型（上线时为 GPT-5.5），再把结果带回当前语音对话。这相当于把语音交互层和推理层拆开了：以后 frontier 模型升级，Live 换个后端即可，不需要动语音交互层本身。

本次一并推出两个版本：

型号	默认用户	说明
GPT-Live-1	Go / Plus / Pro	付费档默认，驱动 ChatGPT Voice
GPT-Live-1 mini	Free	免费档默认，同样为全双工

官方表示 API 将在后续提供（Coming soon），开发者可登记通知。发布次日（7 月 9 日）@OpenAI 更新：Go / Plus / Pro 已全量；免费用户 rollout 进行中，需更新最新版 ChatGPT App。

一、语音交互三代演进

官方把此前的路线概括为两类，并说明了各自的取舍。

语音交互三代演进：级联 → 轮次 → 连续交互

1. 级联语音系统（Cascaded）

原始 ChatGPT Voice 由三条链路串起来：语音转写（STT）→ 大语言模型 → 语音合成（TTS）。它第一次让人能「对前沿模型说话」，但信息在模型之间会损耗，响应偏慢、偏生硬。

2. 轮次语音模型（Turn-based）

Advanced Voice Mode 把音频的处理与生成收进单一模型，延迟更低、对话更顺，但仍按离散轮次运行：模型要等用户说完再答。轮次边界往往依赖静音检测，短暂停顿或背景噪音容易被误判为「该你说了」，造成不自然打断。

3. GPT-Live：连续交互 + 深度工作委托

GPT-Live 用两项架构改动回应上述问题：

连续交互（Continuous interaction）
全双工架构下，模型在生成输出的同时持续处理输入，可在每秒多次级别决定：说、继续听、停顿、打断，或调用工具。官方称这带来更自然的来回、更好的时间感，并支持 live translation（实时翻译）。

深度工作委托（Delegation）
日常连续交互由 GPT-Live 负责；需要搜索、推理或更 agentic 能力时，任务委托给 GPT-5.5 等后台模型。官方强调：Live 可一边维持对话流，一边在后台并行处理任务。

社区归纳的数据流大致如下：

用户语音 ──► GPT-Live（全双工交互层）
                │
                ├─ 日常对话 / 伴随反馈 / 打断与静默决策
                │
                └─ 复杂任务 ──delegate──► GPT-5.5（搜索 / 推理 / agent）
                                              │
                                              └─ 结果无缝带回语音对话

GPT-Live 架构：连续交互 + 深度工作委托

二、产品能力

官方称每周有超过 1.5 亿 人使用 ChatGPT 的 Voice 与听写等能力。接入 GPT-Live 后，点 Voice 按钮即用。官方列出的产品能力包括：

GPT-Live 产品能力：更自然的对话 / 更聪明的回答 / 更好的倾听 / 可视化回答

更自然的对话

可中途打断、停顿整理思路，或要求模型放慢语速
倾听时可用 "mhmm"、"got it" 等伴随反馈表示在跟进
九个音色针对 GPT-Live 重新录制

更聪明的回答

后台可调用最新 frontier 模型
用户可选推理强度：Instant（更快）、Medium、High（花更多时间思考）
官方注释：Instant / mini 后台对应 GPT-5.5 Instant；Medium / High 对应 GPT-5.5 Thinking 的 medium / high 推理档

更好的倾听

用户思考时会等待，而不是抢话
可要求模型保持安静、只听不说
背景噪音（车流、旁人说话等）下更聚焦用户声音

可视化回答

对话中可弹出富媒体卡片，覆盖天气、股票、体育赛事等；同时继续支持搜索、Memory、图片与文件上传。

ChatGPT Voice 天气可视化卡片示例

ChatGPT Voice 体育赛事可视化卡片示例

ChatGPT Voice 地图 / 附近地点可视化示例

三、Benchmark 表现

官方新建了面向「愉悦度」与「对话流畅度」的人工评测：在匹配的 5–10 分钟对话中，对整体偏好、轮次切换、打断、对话流与自然度等维度做头对头比较，GPT-Live-1 与 mini 均明显优于 Advanced Voice Mode。

客观基准测试上，官方给出了相对 Advanced Voice Mode 的对照数据（图表包含 Instant / Medium / High 三档，社区流传的信息图对这些数值的转述基本一致）：

GPQA（专家级科学推理，生物 / 化学 / 物理）

GPQA 评测：GPT-Live-1 各档 vs Advanced Voice Mode

模型 / 档位	约分（社区转述官方图表）
Advanced Voice Mode	45.3%
GPT-Live-1 Instant	76.5%
GPT-Live-1 Medium	81.7%
GPT-Live-1 High	84.2%

BrowseComp（Agentic 网页搜索 / 难找信息）

BrowseComp 评测：GPT-Live-1 各档 vs Advanced Voice Mode

模型 / 档位	约分（社区转述官方图表）
Advanced Voice Mode	0.7%
GPT-Live-1 Instant	35.1%
GPT-Live-1 Medium	60.6%
GPT-Live-1 High	75.2%

BrowseComp 差距最大：旧 Voice 几乎不具备 agentic 搜索能力；Instant 档就已经远超 Advanced Voice Mode。

一句话读数：GPQA 上 Instant 档比旧 Voice 高出 31 个百分点，High 档逼近 84%；BrowseComp 从 0.7% 到 75.2%，是从「几乎不会搜」到「能搜」的跨越。至少在这两项基准上，语音模型和文本 frontier 模型的差距已经明显收窄。

τ³-Voice Telecom（全双工语音 Agent / 多轮电信客服类任务）

τ³-Voice Telecom 评测对比

官方称 GPT-Live-1 在 τ³-Voice Telecom（内部变体）上同样优于 Advanced Voice Mode，用于衡量真实、多轮、语音形态的 agent 任务。

官方脚注：评测中 Instant / mini 使用 GPT-5.5 Instant 后台；Medium / High 使用 GPT-5.5 Thinking。τ 类评测使用了由最新推理模型驱动的定制 user model。

四、安全加固

官方强调 GPT-Live 默认安全设计，在最新模型安全能力之上增加了面向语音的专项训练与防护。

方向	内容
扩展评测	新增 audio-native 评测与合成音频评测，覆盖自伤、精神病性 / 躁狂、对 AI 的情感依赖、暴力、性内容等；内部专家对语音特有风险做 red team
实时干预	检测到潜在不安全输出时，可在说话过程中转向更安全回应、展示安全信息 / 资源，或在更高风险场景结束语音会话
自伤支持	将 ChatGPT 既有支持流程适配到语音，包括提供经专家审核的危机热线资源
青少年	年龄适宜行为写入模型；家长可通过 Parental Controls 决定青少年是否可用 Voice；更高风险的自伤迹象场景可通知已关联家长
长期监测	针对情感依赖做上线后监测与度量，延续此前对情感使用与情绪健康的研究
声音边界	使用 ChatGPT 内预置音色；设有防护，避免模仿真实人物声音

官方称在已评测的安全维度上，GPT-Live 表现与 Advanced Voice Mode 相当或更好。细节见官方博文与 System Card。

五、可用性与已知限制

可用性（发布后约 24 小时）

项目	状态
平台	ChatGPT iOS / Android / Web
Go / Plus / Pro	GPT-Live 已全量（2026-07-09 官方声明）
Free	rollout 进行中；默认 GPT-Live-1 mini
入口	Voice 按钮；Settings → Voice → Model 可见 Live
客户端	需更新至最新 ChatGPT App
API	尚未开放（Coming soon）
语言	对部分热门语言做了优化；部分语言可能有口音或流利度缺口，官方称多语言与口音为优先改进项

上线首日功能缺口（Help Center / 社区汇总）

GPT-Live 上线时暂不支持、或需切回旧版 Voice 能力路径的功能包括：

视频通话
屏幕共享
connected apps / plugins
Temporary Chats
desktop app
Work
Codex
custom GPTs

官方明确：launch 时 ChatGPT 内 不支持 语音 + 视频 / 屏幕共享，这些能力还在做；需要时可继续走 Standard / Advanced Voice Mode 中仍保留这些能力的旧路径。

已知产品问题

ChatGPT Voice 负责人 @athyuttamre 公开表示，GPT-Live 下的 Memory 不够可靠，团队已在排查。另一个高频吐槽是打断和伴随反馈过频：官方 demo 与首日用户反馈中，「插话过多」「mhmm / uh-huh 过密」被反复提到，官方的建议是可以直接使用模型“保持安静”。

还有 Reddit 用户反馈 Plus 使用 Live-1 约 1 小时后就会触发 daily limit 并自动切到 mini，还有人报告遇到切档循环的 bug。

此外，GPT-Live 与 API 侧现有的 Realtime 产品线是两个不同的东西：GPT-Live 是 ChatGPT Voice 产品侧 的新一代模型，它「即将上 API」与 Realtime API 不是同一件事，不要搞混了。

六、社区反馈

我们整理了一些 24 小时内 X / HN / Reddit 等公开讨论信息。

社区反馈分布：正面 / 中性场景化 / 负面争议（24h 公开讨论）

正面反馈

@fdaudens：内测几周后默认开语音，「回不去了」；GPT-Live 配合 interactive widgets 是 next level
@romainhuet（OpenAI DX）：强调「最聪明」与「极自然」，具体指可同时听与说、实时翻译、边看图边聊
@wanerfu（中文实测）：「对话终于像个人了」；语气更自然，会自然打断，有情绪反馈
@Rabbuttz_VR（日文）：违和感几乎消失，附长视频 demo
@2okutameo（日文）：相对 Alexa「性能差是天与地」
@masahirochaen：巴黎古书店英语→法语实时同传场景；判断 C 端翻译转业创业公司可能受严重冲击
@ArtemisArgento（投研视角）：语音周活约 1.5 亿、约 15% 渗透；语音≈5× 文字算力，视频≈10× 语音；延迟路径 Siri 1–3s → 旧 Voice ~500ms → Live ~300ms

中性 / 场景化反馈

@ArtemR：最干净的「双刃剑」一句：「理论上爱更快的全双工响应，但 GPT-Live 一直用无用的闲聊与 filler words 插嘴，太烦了。未来更近了，但肯定需要调参」
@digg：50 万次浏览后反应以正面为主；压力在于语音能否不再像 demo
@sitinme（HN/Reddit 整理）：喜欢的点是终于不像对讲机、后台接 GPT-5.5、适合散步/开车/通勤 brainstorming；背景噪音处理变好但仍不完美
@xiaohu（中文）：不止全双工，还能调 GPT-5.5 并生成实时 UI 卡片；「个人 AI 助理」叙事，Siri / 苹果生态受威胁
@nanhaier（中文）：昨天 OpenAI 发 GPT-Live，xAI 发 Grok 4.5，感慨「一个押注人机交互体验，一个押注编码能力。AI 竞赛进入日更模式」

负面反馈与争议

官方 demo 打断老太太成为即时梗：@AutismCapital「一直在打断她 lmao」；@brian_lovin「电脑一直打断人」；@robfromeighty1「一个会打断用户、抢话的语音模型？不要」
@WilliamVWrites：要求加滑杆降低 uh-huh 频率，理由是「人这样抢话已经够烦了，机器人？抓狂」
@DJSanghera：插话需要视觉输入才能判断，没有就永远差一点
@Ozakinico（日文）：uncanny valley 样本，「太真了有点可怕/恶心」
@ConnorCuriousUS：基础小测仍翻车，「two E's in seventeen」与尴尬的「自然告别」都出了问题
@dotey（中文长帖，约 2.1 万浏览）：核心归纳为三点：第三代语音（对讲机→全双工）、语音交互层与推理层的拆分，以及首日「为自然设计的回应词反而烦人」与功能缺口；评论区金句「从对讲机进化成相声揼子，第一关是先学会别抢话」
#keep4o 情绪：主帖下持续出现 #keep4o / #BringBack4o 的标签，这是用户对旧模型下架的长期抗议，跟 Live 全双工技术本身是两件事，应该分开看待

有个高频话题：GPT-Live 跟豆包语音对比。大部分人认为GPT Live的英文表现和智能程度、同传能力普遍获得肯定；但中文语境下的丝滑度和陪伴感调参似乎没有占优，视频能力也被提到有些落后。

七、接入与使用

更新 iOS / Android ChatGPT 到最新版，或使用 Web
打开 Voice；在 Settings → Voice → Model 确认 Live / Live mini
付费用户默认应为 GPT-Live-1；若仍是旧模式，可检查 App 版本或等待 rollout
插话过多时，可口头指令：「stay quiet / 先听我说完」
需要视频、屏幕共享、插件、Codex 等时，暂时走旧版 Voice 能力路径（若产品仍提供）
开发者：等待 GPT-Live 的 API 开放；勿与现有 Realtime API 混为一谈

八、Roadmap

官方与社区披露的后续计划：

API：尚未开放（Coming soon），开发者可登记通知；与 API 侧既有的 Realtime 产品线不是同一件事
多语言与口音：官方称 top priority，部分热门语言已优化，其余存在口音或流利度缺口
视频与屏幕共享：仍在做，launch 时 ChatGPT 内不支持语音 + 视频 / 屏幕共享；旧版 Voice 路径暂时保留这些能力
Memory：ChatGPT Voice 负责人 @athyuttamre 已公开承认 GPT-Live 下 Memory 不够可靠，在排查
打断 / filler 调参：首日「插话过多」「uh-huh 过密」是高频反馈，社区呼吁加滑杆控制伴随反馈频率

参考链接

官方博客：https://openai.com/index/introducing-gpt-live/
官方发布主帖：https://x.com/OpenAI/status/2074907025537224840
付费档全量更新：https://x.com/OpenAI/status/2075019750569378007
Memory 问题声明（@athyuttamre）：https://x.com/athyuttamre/status/2075052389980401829
@dotey 中文长帖：https://x.com/dotey/status/2075085137990005164
@fdaudens 默认语音帖：https://x.com/fdaudens/status/2075011510045233457
@ArtemR 双刃剑反馈：https://x.com/ArtemR/status/2074951440968106152
@wanerfu 中文实测：https://x.com/wanerfu/status/2075079276865659128