今天凌晨，OpenAI 发布了新一代语音模型 GPT-Live，而且从今天起直接成为 ChatGPT 的默认语音模式。

2023 年的语音模式其实是三个模型在接力，一个把语音转成文字，一个写回复，一个负责朗读，所以声音总是又慢又僵。2024 年的高级语音模式把三步合成了一个模型，直接处理音频，快了不少，但它是轮流制，你说一轮它说一轮，靠工程手段猜你什么时候说完，比如检测你停顿了多久。最让作者头疼的体验就是，说着说着停下来想一想，它就急着开始回答了。

GPT-Live 的第一个改动是全双工，一直在听，随时能开口。背后的原理是每秒做很多次决策，判断该说话、继续听、停下、插话，还是调用工具，顺手连实时翻译都解决了。

第二个改动是把聊天和干活分开。碰到需要搜索、推理、多步执行的问题，它会把任务丢给后台的 GPT-5.5，自己继续陪你聊天拖时间，等结果出来再播报。作者觉得这个解耦还有个好处，以后出了新模型，语音不用重新训练，不用等文本模型降级适配，也更适合以后干 Agent 类的活。

跑分也很能打。在 5 到 10 分钟真实对话的盲测里，GPT-Live-1 和 mini 在偏好度、接话、打断、流畅度、自然度上全面超过高级语音模式，GPQA 科学题、BrowseComp 刁钻检索和多轮电信客服任务三项同样明显领先。档位上，Instant 档和 mini 背后是 GPT-5.5 Instant，Medium 和 High 档背后是 GPT-5.5 Thinking，推理力度一个中一个高。

#科技先锋官##How I AI#