OpenAI 在 ChatGPT 推出 GPT-Live 全双工语音

背景

让机器和人自然地对话，比看上去要难。大多数语音助手采用轮流说话的机制：系统先听，判断用户说完了，再组织答案、开口说话，说完之后才重新开始听。工程上把这叫作半双工（half-duplex）。它带来的就是那种类似对讲机的节奏——用户必须等模型说完，模型也无法被干净地打断，而一次停顿或一点背景噪音都可能被误判成一轮发言的结束。ChatGPT 早先的语音体验「高级语音模式」（Advanced Voice Mode）就属于这种轮流发言的传统，并且一直是产品里的默认语音模型^[1][2]。

发布

2026 年 7 月 8 日，OpenAI 推出了 GPT-Live，这是面向 ChatGPT 的新一代语音模型^[1]。最关键的变化在于它是全双工（full-duplex）的：模型可以同时听和说，而不是在两者之间来回切换^[1]。这次一同发布的是两个型号。GPT-Live-1 mini 取代高级语音模式，成为 ChatGPT 的默认语音模型；GPT-Live-1 则提供给付费用户^[1][2]。OpenAI 称 GPT-Live 是其迄今最聪明的语音模型，并表示已开始向全球 ChatGPT 用户陆续推送这两个型号，API 访问稍后开放^[3]。这次发布比 GPT-5.6 和 ChatGPT Work 早一天^[2]。

工作方式

全双工的意思是音频通路同时双向打开，就像两个人在电话里可以同时说话、同时听见，而不必严格轮流。因为模型在说话时仍在听，用户可以在回答进行到一半时开口并被接收到；系统对整段对话的声音信息是持续获取的，而不只是在两轮发言之间的空隙里获取。

语音模型也不被要求独自完成所有工作。遇到网络搜索、更深的推理或复杂任务时，它会在幕后交给一个前沿模型（frontier model）处理，同时让对话继续进行^[3]。这种设计把快速响应的对话层和较慢的查询、推理层分开，用户不必在更重的模型运转时干等着沉默。

水印

2026 年 7 月 31 日，用 GPT-Live 生成且受支持的音频开始带有 SynthID 水印^[3]。这类水印是嵌在生成音频本身里的信号，会随文件一起保留，用来标记这段音频由 AI 生成，而非录自真人。

意义

语音是延迟和轮流发言问题对用户最直观的界面，全双工正是针对这一点的直接回应。两个型号的分工同样重要。由于 GPT-Live-1 mini 占据了默认位置，它将成为大多数 ChatGPT 用户实际听到的声音，而更大的 GPT-Live-1 留给付费订阅者^[1][2]。默认设置往往决定了一款产品对绝大多数从不改动设置的人来说是什么样子。

API 访问的承诺则把同样的语音行为延伸到 ChatGPT 之外，延伸到自行开发对话应用的开发者手中^[3]。发布时间也说明了这次发布的位置：它紧接在 GPT-5.6 和 ChatGPT Work 之前，是一串密集公告中的一环，而不是孤立的事件^[2]。而发布三周后为受支持的生成音频加上 SynthID 水印，则把这次语音发布与一个更大的问题联系了起来：当合成语音越来越难和录音区分时，该如何给它做标记^[3]。