同聲傳譯一夜失業！GPT-Live瞬間翻譯，老太太現場抬槓AI看傻全網

OpenAI 昨日正式發表 GPT-Live，將語音互動推向全新境界。一句話說完，立即翻譯完成的即時表現，讓現場展示中的兩位老太太角色扮演式抬槓，令觀看者驚嘆不已。相較於去年 AirPods Pro 3 宣傳片所描繪的未來，GPT-Live 當前的實際效果顯然更為驚豔。外界不禁調侃，Apple Intelligence 可以慢慢上線，OpenAI 自己推出硬體似乎更值得期待。除了即時翻譯，GPT-Live 在推理與搜尋能力的提升同樣引人注目。

示範影片中，老太太將 GPT 當成 Google 使用，一下子問天氣，一下子考歷史，你來我往彷彿抬槓大賽，但 AI 給出的全是有效資訊，不再以模糊的車軲轆話敷衍。廚房場景中，GPT 能一步步指導烹飪步驟，同時幫忙計時，真正解放雙手；面試覆盤時，AI 不僅分析表現，還能現場教學如何談薪資。OpenAI 甚至直接在昨晚進行現場直播展示，展現十足自信。據 OpenAI 透露，目前每週有 1.5 億人與 ChatGPT 對話。隨著 GPT-Live 上線，手機上的白色軟體即將化身為可隨時煲電話粥的「真人」，堪稱美國版豆包。全新的語音體驗可歸納為三項主要改進：更自然的對話、更聰明的回答，以及可視化對話。

在自然對話方面，GPT-Live 徹底解決了過去語音互動最令人困擾的「搶麥」問題。使用者現在可以隨時插話、停下來思考，AI 在對方說話時還會發出「嗯」、「對」等簡短回應，讓使用者知道它正在聆聽。抗噪能力同步優化，面對車流聲或旁人閒聊，系統能更精準地聚焦使用者的聲音。不過，評論區也有部分網友反映，GPT-Live 有時會過於「鬆弛」地打斷使用者，或許仍需要視覺資訊輔助，畢竟就連人類開線上會議時也常有互相打斷的狀況，微表情仍是重要的上下文。此外，OpenAI 這次重新打磨了 ChatGPT 中的 9 種預設音色，讓「聲優」表現更加自然。更聰明的回答來自於 GPT-Live 接入了 GPT-5.

5，並支援自訂推理強度。Instant 模式適合查天氣、閒聊等快問快答，主打秒回；Medium 與 High 模式則適合需要深度思考的複雜問題，讓 AI 在回應前進行充分推理。這意味著語音模式不再是過去那種調用較弱模型的「閹割版」，而是正式與最強模型同步。可視化對話則是另一大亮點。在語音對話過程中，ChatGPT 可以即時彈出天氣、股票、體育賽事等主題的可視化卡片，使用者無須切回螢幕乾看文字。更重要的是，語音通話現在全面支援聯網搜尋、記憶功能、圖片識別與檔案上傳。這代表語音不再是一個獨立的「閹割模式」，而是正式成為 ChatGPT 全套能力的統一互動入口。

回顧過去，早期的 ChatGPT Voice 本質上是三個模型接力跑：先將語音轉成文字（ASR），再將文字餵給大語言模型生成回覆（LLM），最後將文字轉成語音讀出（TTS）。三個模型串聯，每一步都有延遲，每一步都在丟失資訊，使用者的語氣、停頓、情緒在第一關就被抹平。後來 OpenAI 推出 Advanced Voice Mode，把音訊處理與音訊生成塞進同一個模型做成端到端，延遲確實降低，對話也順滑一些，但骨子裡仍是「輪次式」互動，透過偵測沉默來判斷使用者是否說完，導致使用者稍微停頓或旁人咳嗽就會被搶麥。GPT-Live 這次在兩個核心環節動刀。

首先是全雙工架構，讓模型在說話的同時持續聽取輸入，不再處理分開的消息序列，而是在生成輸出時持續處理輸入，模型可以在一秒內多次判斷互動策略，使對話終於有了真正的「來回感」，時間感知更精準，也自然支援即時翻譯等極低延遲場景。其次是深度任務委託，本質上是一個路由機制：GPT-Live 負責前台的連續語音互動，保持對話流暢不卡頓；當使用者提出的問題需要聯網搜尋、深度推理或更複雜的代理能力時，它會悄悄把任務委託給 GPT-5.5 這樣的重量模型在後台處理。如此一來，即使後台正在執行多個複雜任務，前台的語音對話也完全不會中斷。最終成果在 Benchmark 上也有體現。

OpenAI 專門為 GPT-Live 建立了一套新的人工評測體系，核心衡量兩個指標：愉悅感與對話絲滑程度。結果顯示，在「像不像真人聊天」這件事上，GPT-Live 表現出色。至於推理與搜尋能力，官方數據指出 Agentic Search 部分直接提升了 100 倍。從鍵盤到滑鼠，從觸控螢幕到語音助手，每一次互動方式的改變都重新定義了「用電腦」的內涵。但過去的語音互動本質上仍是命令式——對 Siri 說「設個鬧鐘」「放首歌」都是在對機器下指令。GPT-Live 首次讓人感覺，跟 AI 說話這件事從「使用工具」變成了「跟一個人交流」。

未來，手機右下角那個語音通話按鈕，很可能會成為每個人最常用的入口。