OpenAI 推出 GPT‑Live：实时对话声学引擎

OpenAI 发布 GPT‑Live，一款基于全双工架构的实时语音模型，可边听边说、作出短促回应并在后台委托 GPT‑5.5 处理复杂查询，以提升 ChatGPT Voice 的自然交互与智能性。GPT‑Live 分为 GPT‑Live‑1 与 GPT‑Live‑1 mini，将逐步向全球 ChatGPT 用户和 API 开放。

概述

• 产品：GPT‑Live（GPT‑Live‑1、GPT‑Live‑1 mini）
• 发布方：OpenAI
• 目标：让语音交互更接近真实对话，同时在后台处理更复杂的检索与推理任务

技术亮点

• 全双工架构：模型可以同时监听与生成语音，实现连续交互、快速回应、短语反馈（如“mhmm”）、打断或保持沉默。
• 背景委托：GPT‑Live 负责流畅对话，遇到需要搜索或深度推理的任务时将委托给后端 frontier 模型（发布时为 GPT‑5.5），并在结果就绪后回填对话。
• 多级推理选项：用户可在即时（Instant）、中等（Medium）与高强度（High）推理模式间选择，以平衡速度与深度。

与以往方案的对比

• 级联系统：STT→LLM→TTS，存在信息丢失与响应迟滞问题。
• 回合制模型：单模型处理音频降低了延迟，但仍需等待用户停顿，易因噪声误判回合结束。
• GPT‑Live：连续处理输入与输出、能实时决定何时说话或聆听，支持实时翻译与更自然的回合控制。

评测与效果

• 主观与任务评估显示 GPT‑Live‑1/mini 在会话流畅度、抢话与打断控制、自然感偏好上明显优于此前的 Advanced Voice Mode。
• 在科学推理（GPQA）、复杂网页检索（BrowseComp）和多轮电信支持任务（τ³‑Voice Telecom）上也表现更好。

产品化与可用性

• 已开始在全球 ChatGPT Voice 中逐步上线，重制了九种语音以适配 GPT‑Live。
• 开发者与企业可申请接入 API（计划随后开放）。

影响与展望

• 让语音成为更适合长期、复杂与代理式工作的交互方式；随着后端 frontier 模型迭代，GPT‑Live 的能力将持续增强。

GPT‑Live 把语音交互从“轮次问答”推进到接近真人的连续对话，是语音代理迈出的重要一步。

原文链接