OpenAI Releases GPT-Live and GPT-Live-1 mini: Full-Duplex Voice Models That Delegate Deeper Reasoning to GPT-5.5

OpenAI 今日正式推出全新一代語音模型 GPT-Live，並同步將其整合進 ChatGPT 的語音體驗中。這套模型家族的核心理念是讓使用者與 AI 之間的對話更接近真實人際互動，能夠實現自然、即時的交流。首批上市的兩個版本分別為 GPT-Live-1 與 GPT-Live-1 mini，即日起向全球 ChatGPT 用戶開放。值得注意的是，GPT-Live 採用全雙工架構，能同時進行聆聽與發聲，並且在需要更複雜的推理或搜尋時，會將任務委派給後端的 GPT-5.5 處理，確保對話不會因深度計算而中斷。 GPT-Live 最大的特色在於其全雙工設計。所謂全雙工，指的是模型可以在說話的同時持續接收使用者的聲音訊號。因此，在對話過程中，GPT-Live 能夠自然地發出「嗯哼」、「對啊」這類輕聲回饋，也能瞬間完成你來我往的快速應答，或者在使用者思考時保持安靜。這種架構讓互動節奏不再受限於「等你說完我才回應」的僵硬模式，而是更像兩個人在真實對話中的互動方式。 當使用者提出的問題涉及即時網路搜尋、複雜邏輯推理，或需要執行多步驟代理任務時，GPT-Live 不會自己硬扛這些運算，而是立刻將任務委派給背後的前沿模型——目前這個背景模型是 GPT-5.5。在 GPT-5.5 運算的同時，GPT-Live 會維持對話的流暢性，例如告訴使用者「稍等一下，我還在處理」或是隨口聊點別的，等結果準備好再適時插入回答。這樣的設計不僅提升了反應速度，也讓使用者感覺對話從未被打斷。 回顧 OpenAI 過去在語音對話上的技術演進，更能看出 GPT-Live 的突破。最早期的級聯式語音系統（Cascaded）由三個模型串連而成：先由語音轉文字模型辨識使用者的話語，再由大型語言模型產出回應文字，最後透過文字轉語音模型朗讀出來。這種方式雖然讓人們首次能與語言模型對話，但資訊在不同模型間傳遞容易失真，而且整體延遲明顯，聽起來生硬不自然。 後來的回合制語音模型（Turn-based），例如 ChatGPT Advanced Voice Mode，將音訊處理整合到單一模型內，大幅降低延遲，對話也更順暢。然而，它們仍採取「一次說一輪」的運作方式，模型必須等待使用者停止說話才開始回應。判斷使用者是否說完的依據是靜默時間，這使得短暫停頓或環境噪音常常被誤判為對話結束，導致模型在不恰當的時機插話或搶話。 GPT-Live 針對上述限制提出了兩項關鍵改變。第一，採用全雙工連續處理：模型在產生輸出的同時，也能持續接收與分析輸入，每秒可做出多次互動決策——決定是要繼續聆聽、出聲回饋、保持沉默、打斷使用者、或是呼叫工具。這不僅讓即時翻譯成為可能，也讓對話節奏更加自然。第二，引入委派機制：將連續互動與深度推理兩項任務分離，當需要搜尋、推理或更複雜的代理能力時，GPT-Live 可以直接將任務交給 GPT-5.5 等後端模型，自己則繼續維持對話的流暢，同時也便於未來隨著新模型推出而無痛升級。 OpenAI 為 GPT-Live 設計了全新的人類評估指標，專注於「對話愉悅度」與「互動流暢性」。評比員在五到十分鐘的配對對話中，直接比較 GPT-Live-1、GPT-Live-1 mini 與 Advanced Voice Mode。結果顯示，受試者對 GPT-Live 系列的整體偏好、話輪轉換、打斷處理、對話流暢度以及互動自然度，都顯著優於 Advanced Voice Mode。在自動化基準測試上，GPT-Live-1 同樣表現出色：在 GPQA（專家級科學推理）與 BrowseComp（代理式網路搜尋）中大幅領先 Advanced Voice Mode；在專為電信支援設計的 τ³-Voice Telecom 評估中（採用內部變體），GPT-Live-1 也取得明顯優勢。OpenAI 團隊指出，τ³-Voice Telecom 評估使用了由最新推理模型驅動的自定義使用者模型進行測試。 GPT-Live 可應用於多種情境：例如免持操作，在煮菜或開車時語音詢問步驟或路線；語言練習，與模型進行來回對話並獲得溫和糾正；即時翻譯，利用全雙工時機在交談中同步轉譯；通勤時提出難題，讓 GPT-5.5 在背景搜尋，下車前獲得答案；客服工作流程，處理多輪電信支援任務；以及視覺查詢，說話時顯示天氣、股價或運動賽事等資訊卡片。 即日起，全球 ChatGPT 用戶在點擊語音按鈕後，即可體驗由 GPT-Live 驅動的全新對話。OpenAI 表示，目前每週有超過 1.5 億人使用 ChatGPT 的語音與聽寫功能，這次更新將直接提升這群用戶的互動體驗。不過，首波版本尚未支援影片、螢幕共享，也還不具備完整的多語言對應能力。API 的公開釋出則規劃在稍後進行。隨著 GPT-Live 的推出，語音 AI 對話正式進入全雙工時代，人機交流的界線變得更加模糊而自然。