我想跟AI說話了！奧特曼被GPT-Live圈粉，網友吵翻

新智元報道

【新智元導讀】OpenAI剛推出的GPT-Live，讓ChatGPT第一次能邊聽邊說。連一向嫌棄跟AI講話的奧特曼都改口，說想開口聊了。可它到底是更好的陪伴，還是一個更愛搶話的AI？

7月8日，OpenAI發布了新一代語音模型GPT-Live，直接替換掉ChatGPT里用了一年多的語音模式。

一向不愛用語音的奧特曼直呼既真實又神奇，當場改口：

我一直更喜歡打字，而不是跟AI說話，現在我覺得這事要變了。

GPT-Live就像是GPT的一張「嘴」，只干一件事：讓對話像真人一樣流動起來。

真要動腦子的活，搜索、推理、辦一件復雜事，它轉手就甩給后臺的GPT-5.5，等那顆「大腦」想完，再自然地接回對話里。

GPT-Live管嘴，GPT-5.5管腦。

GPT-Live負責前臺實時對話，復雜任務甩給后臺GPT-5.5，算完再接回來。

OpenAI這回拆開的不只是模型，是「說」和「想」這兩件事。

每周有1.5億人在用ChatGPT的語音和聽寫。

這次GPT-Live分兩檔推送：付費的Go、Plus、Pro用上GPT-Live-1，免費用戶默認GPT-Live-1 mini，iOS、Android、網頁端全球同步開。

AI不再等你把話說完

GPT-Live到底改變了什么？

過去的語音AI，走的是一條「三段式」流水線，業內叫級聯式（Cascaded）架構：

先把你的話轉成文字（STT），再交給大模型（LLM）想出回答，最后合成成聲音（TTS）念給你聽。

三個模型串成一串，每過一道，信息就掉一點，回答既容易延遲又生硬。

級聯式語音系統：STT轉文字→GPT-5.5想答案→TTS合成聲音，一來一回，慢就慢在這串接力上。

后來的Advanced Voice Mode，把三步壓進一個模型，快了、順了，可骨子里還是「回合制」：你說完，它才能說。

Advanced Voice Mode下，用戶和AI一輪接一輪交互，中間的停頓全靠靜音判斷，一猶豫就容易被打斷。

這套機制的死穴，是它靠「靜音」判斷你說完了。

你中途喘口氣、猶豫一下，或者旁邊有點雜音，它就以為你講完了，一頭扎進來打斷你。

那種感覺，更像在跟一臺電話客服系統對話，而不是跟人聊天。

這正是所有人用語音AI最煩的一個地方。

GPT-Live通過全雙工（Full Duplex）架構，改變了這種回合制的交互方式。

全雙工這個通信術語意思是，電話兩頭能同時講、同時聽。

過去的語音AI像對講機，你說完喊一聲「完畢」，松開手，它才開口。全雙工則像正常打電話，兩頭同時講、同時聽，誰想插話可以隨時插話。

全雙工下，User和GPT-Live兩條聲軌同時起伏，AI不再等你說完才開口。

落到AI身上，就是它一邊聽你說，一邊能出聲，兩件事同時干。

它每秒要做好幾次判斷：現在該開口，還是繼續聽？該停，還是該接話？要不要順手調個工具？

于是它學會了幾件過去做不到的事：

你思考時它安靜等著，你說話時它用「嗯」「對」「明白」輕輕應一聲，你想打斷隨時能打斷，甚至能一邊聽你說、一邊把話同步翻譯出來。

邊聽邊說

更自然，還是更煩人？

發布會上有一個實測很能說明問題：用戶讓ChatGPT一邊核對某個會議的日期，一邊幫他查路上的天氣和路況。

ChatGPT一路「嗯」「好」地應著，用戶中途還在不斷追加新要求，它照單全收，全程沒把話頭跟丟。

放在過去的回合制模式里，這種一句話套一句話的連環追問，多半會把AI繞暈。

實時翻譯也跟著變了。

以前得等你說完一整句才翻，現在能邊說邊譯，一場跨語言對話不用再頻頻停頓。聊到天氣、股價、比分、路線，它還能直接甩出一張可視化卡片讓你看。

OpenAI順手把ChatGPT里的九種聲音全部重做了一遍，個性更鮮明。

OpenAI官方表示，在5到10分鐘的真實對話測試里，無論是打斷、輪流接話還是整體的自然度，用戶都明顯更偏愛GPT-Live，而不是上一代的Advanced Voice Mode。

左圖和AVM兩兩對比二選一，GPT-Live-1拿下75.7%、mini拿下69.2%，均甩開50%打平線；右圖7分制打分，流暢度、愉悅度兩項，GPT-Live-1(4.96/5.19)和mini(4.33/4.47)都壓過AVM(3.80/3.82)。

在專家級科學推理、以及需要聯網深挖的智能體搜索任務上，它也甩開了前代。

但「邊聽邊說」，是更自然，還是更煩人？

OpenAI給這次發布配了一支很溫情的短片：

一位銀發老太太一邊織毛線，一邊和ChatGPT語音閑聊，后來朋友也加進來，兩人對著手機你一言我一語。短片突出的，是「像真人一樣的陪伴」。

結果視頻一出，評論區先吵了起來。有人吐槽：AI怎么老打斷人？

也有人替它說話：這就是全雙工的正常表現，比起過去的Advanced Voice Mode，它明顯更聰明、更跟得上。

有意思的地方，恰好在這里。

人跟人聊天時，適時的「嗯」「對」是搭腔，是共情；可一旦時機沒踩準，同樣的插話就成了打斷、搶話、沒耐心。

這個分寸，就連人類有時也難以把握。

讓AI學會察言觀色，真正跟得上人類的對話節奏，可能要比想象中難得多。

輕模型在前

強模型在后

OpenAI這次GPT-Live發布，把「實時交互」和「深度推理」拆給了兩個模型。

GPT-Live只干交互這一層，在前臺陪你連續對話，主打低延遲，讓對話不斷線。

一旦你的問題需要聯網搜索、深度推理，或者要它動手辦一件復雜的事，它就把活兒甩給后臺一個更強的前沿模型去算（發布時掛的是GPT-5.5），算的過程中它繼續跟你聊，結果出來了再自然地接回對話里。

而且，后臺那個「大腦」隨時能換：今天掛GPT-5.5，明天出了更強的模型，直接換上去，前面那張「嘴」一點也不用動。

你還能自己選讓它想多久：要快就Instant，要它多想想就Medium或High。

延遲的老毛病，也順手治好了。

以前你拋一個需要聯網查證的問題，AI要么卡在那里干等，要么留給你一段生硬的沉默。

人跟人說話最怕冷場，語音助手一旦沉默超過兩三秒，人的第一反應就是「它是不是死機了」，然后忍不住去戳屏幕。

現在，嘴和腦一配合，冷場沒了：GPT-Live在前面陪你把話接住，費腦子的活兒藏進對話的縫隙里，你幾乎察覺不到它在后臺調了另一個模型。

這套分工，像極了心理學家丹尼爾·卡尼曼（Daniel Kahneman）所說的人腦「雙系統」：

前臺的GPT-Live是系統1，快、直覺、隨時接話；后臺的推理模型是系統2，慢一些，但負責真正費腦子的活。

你會開口和語音AI聊天嗎？

這套架構真正的殺傷力在后頭：后端換上更強的模型，語音層不用重訓，能力就跟著水漲船高。

想透了這個邏輯，你會發現OpenAI賭的根本不是一個「更好聊的語音助手」，它看到的是入口。

ChatGPT語音產品負責人Atty Eleti說得很明白：

語音有可能變成人跟計算機打交道的主要方式。

Eleti自己散步的時候，能跟GPT-Live連著聊30到40分鐘。

不止是語音交互。

你說話的同時，屏幕上能彈出天氣、股價、球賽比分的卡片，這場對話不光用耳朵聽，還能用眼睛看。

據多家媒體報道，OpenAI年內還可能推出一副AI耳機。如果為真 ，語音就有了隨身的 硬件入口，Ch atGPT也就可能 成為你每天第一個開口 說話的AI。

對普通人，語音抹平的，是橫在幾億人面前的那道門檻。

開車時讓它順路查個天氣，做飯時讓它講新聞，跟AI說話不用學任何操作，張嘴就行。

X上已經有人說，自己會下意識對著ChatGPT「嗯」一聲，會在它說話時自然插嘴，甚至掛斷后愣一下：剛才那段，好像沒跟機器說話的感覺。

連奧特曼都從打字黨變成了語音黨。

過去幾十年，是人學著適應鍵盤和鼠標；現在，輪到機器來適應人的說話方式了。

下一個開口的，會是你嗎？

參考資料：

https://openai.com/index/introducing-gpt-live/

https://x.com/OpenAI/status/2074907025537224840?s=20

編輯：元宇