ChatGPT語(yǔ)音殺入桌面！你負(fù)責(zé)動(dòng)嘴，一群AI負(fù)責(zé)干活

新智元報(bào)道

近日，Andrej Karpathy分享了一個(gè)他自己很愛用的懶辦法：想讓AI干活，又懶得一個(gè)字一個(gè)字把需求打清楚，怎么辦？

他說(shuō)，那就靠回椅背切到語(yǔ)音，意識(shí)流全開，說(shuō)個(gè)10分鐘，一團(tuán)亂麻、怎么說(shuō)都行。

有時(shí)開口先和AI聲明一句「切語(yǔ)音識(shí)別了，別介意錯(cuò)別字」。

神奇的是，他發(fā)現(xiàn)AI特別擅長(zhǎng)把這種又長(zhǎng)又亂的碎碎念重新拼起來(lái)，回給你的版本，往往比你自己說(shuō)的還干凈：你腦子里那團(tuán)糾纏的想法被它捋順了，來(lái)回糾偏的次數(shù)也變少了。

這正是Andrej Karpathy自己跟AI打交道最順手的一種方式。

用他的話說(shuō)，這能改善人和模型之間的「心智融合」，人常常懶得把一件事的來(lái)龍去脈一個(gè)字一個(gè)字敲清楚，那還不如干脆開口，把整團(tuán)亂麻一股腦倒出去。

語(yǔ)音的價(jià)值不在解放雙手，而在把上下文高帶寬地倒給AI。

就在這幾天，OpenAI干脆把這套「用嘴指揮AI」的玩法，直接搬進(jìn)了桌面。

桌面版ChatGPT

現(xiàn)在能用嘴指揮了

7月23日，OpenAI把ChatGPT語(yǔ)音（Voice）正式送進(jìn)桌面版App的Work與Codex場(chǎng)景。

當(dāng)天起在macOS和Windows上全球分批推送，覆蓋Plus、Pro、Business、Edu、Enterprise各檔，Android即將跟上，iOS則通過(guò)Remote配對(duì)遠(yuǎn)程接入。

它的底層，是7月8日剛上線的新一代語(yǔ)音模型GPT-Live，能同時(shí)聽和說(shuō)：你隨時(shí)打斷，它接著你最新那句往下走，而不再是老式那種「先錄音、再轉(zhuǎn)文字、然后回你一句」的笨辦法。

關(guān)鍵在于，這次語(yǔ)音不只是拿來(lái)閑聊。

在Work和Codex里，你張嘴就能啟動(dòng)一個(gè)任務(wù)、問它跑到哪了、看某個(gè)智能體現(xiàn)在什么狀態(tài)，還能在同一段對(duì)話里同時(shí)協(xié)調(diào)好幾個(gè)Agent，讓它們各干各的。

任務(wù)在后臺(tái)跑著，你隨時(shí)插一句讓它換方向；它卡住了或干完了，會(huì)主動(dòng)開口，或在屏幕上給你提個(gè)醒。

它甚至能順著你手頭的活兒往下接：調(diào)用已有的項(xiàng)目上下文，連上文檔、日歷、聯(lián)系人和通訊記錄，把一件做了一半的事收尾。

官方也給出了一些日常生活實(shí)例：讓它查日歷有沒有沖突、翻郵箱看航班改沒改、順手把會(huì)議紀(jì)要備好，「趁你泡咖啡或者忙別的」，這些活在后臺(tái)自己就跑完了。

macOS上還多一手Appshots和屏幕上下文，能直接讀你當(dāng)前最前面那個(gè)窗口，結(jié)合本地文件和代碼庫(kù)一起理解，熱鍵也能自定義。

Codex加ChatGPT Work的周活已經(jīng)過(guò)了1000萬(wàn)。

OpenAI發(fā)的宣傳片里有個(gè)畫面很有意思：幾名工程師站在同一個(gè)房間，對(duì)著同一個(gè)桌面會(huì)話，各說(shuō)各的指令：一個(gè)AI，一屋子人圍著它下命令。

這大概就是他們想象的「群體編程派對(duì)」。

OpenAI用一段居家場(chǎng)景演示ChatGPT Voice：開口把想做的事說(shuō)給桌面版Codex，它在后臺(tái)接著干。

打字是AI輸入瓶頸

但語(yǔ)音不是

這當(dāng)然不是OpenAI一家心血來(lái)潮。

幾乎同一周，三個(gè)行業(yè)大佬幾乎不約而同地把票投給了「語(yǔ)音」。

Karpathy在X上發(fā)帖，他說(shuō)上下文太多、又懶得打字的時(shí)候，就亂聊一通，讓AI去整理。

一位Grok的鐵粉轉(zhuǎn)發(fā)了Karpathy的帖子，說(shuō)自己早用慣了Grok的語(yǔ)音轉(zhuǎn)文字，「現(xiàn)在打字都覺得像上刑」，還順便吐槽了Anthropic的語(yǔ)音輸入「其實(shí)還挺基礎(chǔ)的」。

馬斯克把這條又轉(zhuǎn)了出去，補(bǔ)上一句：你可以像跟人說(shuō)話一樣，用Grok Build把任務(wù)交給Grok去干。

奧特曼也不忘推銷自己新一代語(yǔ)音模型GPT-Live。

他自曝一向更愛打字不愛跟AI說(shuō)話，但如今他跟ChatGPT「說(shuō)的已經(jīng)比打的多了」。

他還專門點(diǎn)出：當(dāng)你有一大堆上下文要一次性倒給AI的時(shí)候，語(yǔ)音最好用。

讓三位大佬興奮的，其實(shí)不是「終于能用嘴了」這么簡(jiǎn)單。

這背后藏著這樣一個(gè)邏輯：智能體越來(lái)越強(qiáng)，你要喂給它的意圖也越來(lái)越復(fù)雜，鍵盤這條管道就開始擁堵了：

你打得越省事，模型拿到的信息就越干癟。

而語(yǔ)音輸出，則是天生的寬管道：你能一口氣把前因后果、顧慮偏好全說(shuō)出來(lái)，哪怕說(shuō)得亂，模型也能兜住，再替你把那團(tuán)意識(shí)流理清楚。

社區(qū)里已經(jīng)有人實(shí)測(cè)：語(yǔ)音吞吐大概每分鐘240個(gè)詞，打字頂多70到80個(gè)詞，差了三四倍。

GPT-Live把重活甩給后臺(tái)的GPT-5.5、GPT-5.6去想，前臺(tái)只管讓對(duì)話流暢地接住你，這套解耦，恰恰是為了讓人們可以隨便開口。

說(shuō)到底，人腦里的想法本就是并行的、跳躍的，鍵盤卻逼你壓成一行一行的字。

而語(yǔ)音讓這道墻松動(dòng)了：它正從一個(gè)「偷懶的輸入法」，變成一個(gè)「高帶寬的上下文入口」。

一句話，打字是AI輸入的瓶頸，但語(yǔ)音不是。

語(yǔ)音輸入背后

是「用嘴管項(xiàng)目」

OpenAI這次真正塞進(jìn)桌面版的，是讓語(yǔ)音去「管AI」。

按官方FAQ，在Work和Codex里，你開口能干這些事：?jiǎn)?dòng)一個(gè)任務(wù)，給幾個(gè)任務(wù)排優(yōu)先級(jí)，中途打斷、掉頭改方向，而活兒在后臺(tái)繼續(xù)跑。

更進(jìn)一步，它能在多個(gè)對(duì)話和項(xiàng)目之間，協(xié)調(diào)好幾個(gè)智能體一起干。你說(shuō)一句「A先做，B先掛著，C出結(jié)果了叫我」，后臺(tái)就照著重排。

它還能接著上次的活兒往下干。靠的是項(xiàng)目上下文，加上連接進(jìn)來(lái)的工具，你的文檔、日歷、聯(lián)系人、通訊記錄。

任務(wù)卡住了或者干完了，它會(huì)用語(yǔ)音或者屏幕上的提示告訴你一聲。

這已經(jīng)不是語(yǔ)音輸入法的活兒了，它更像一個(gè)中樞，你在上面調(diào)度一支智能體團(tuán)隊(duì)。

同樣是開口和AI說(shuō)話，以往是讓AI聽懂你，現(xiàn)在是讓AI替你干活。

ChatGPT想當(dāng)?shù)?/strong>

是你的「AI工作操作系統(tǒng)」

一個(gè)語(yǔ)音功能背后，藏著一條更大的路線：OpenAI想讓ChatGPT做你的「AI工作操作系統(tǒng)」。

這幾個(gè)月，OpenAI一直在重做桌面版ChatGPT，把Chat、Work、Codex放進(jìn)了同一個(gè)入口，一鍵切換，在后臺(tái)長(zhǎng)期跑著。

Codex，也早擴(kuò)成了能并行多個(gè)智能體、跑長(zhǎng)任務(wù)、讀懂整個(gè)項(xiàng)目的通用平臺(tái)。

為什么把這套能力放桌面，而不是留在人人都在用的手機(jī)上？

主要是因?yàn)槭謾C(jī)那塊小小的聊天框干不了復(fù)雜活兒，它適合隨口問兩句。

真要讓AI連著你的文件、代碼和軟件，把一件事從頭做到尾，它就得待在你的電腦里：

桌面才有文件、集成開發(fā)環(huán)境（IDE）、瀏覽器、一整套企業(yè)辦公軟件，這才是智能體干活的主戰(zhàn)場(chǎng)。

這背后，是一次人類與AI交互方式的翻轉(zhuǎn)。

過(guò)去你用AI，是在「操作軟件」：打開、輸入、等待，一個(gè)回合一個(gè)回合地來(lái)。

現(xiàn)在你更像個(gè)帶團(tuán)隊(duì)的經(jīng)理：開口把任務(wù)分下去，你和AI的關(guān)系，從「你問它答」，悄悄變成了「你說(shuō)它做」。

一位重度用戶干脆說(shuō)，這套東西用起來(lái)「基本就是賈維斯」。

他甚至讓Codex幫自己配了個(gè)快捷鍵，一開口就能在三臺(tái)機(jī)器、幾塊屏幕之間來(lái)回切換。

回到開頭那個(gè)場(chǎng)景，真正讓馬斯克、奧特曼、Karpathy等大佬們興奮的，不是可以扔掉鍵盤了，而是當(dāng)輸入不再是瓶頸，人可以把省下來(lái)的那點(diǎn)腦力，還給真正值得琢磨的事：決策。

所以下一個(gè)問題，其實(shí)不是「你能不能開口」，而是當(dāng)你面前站著一屋子隨叫隨到的AI，你到底想讓它們，替你做什么。

參考資料：

https://x.com/OpenAI/status/2080378182469857576

https://aihot.virxact.com/items/cmrxxi2qg03kcroxpcugdaldy

編輯：元宇