剛剛，ChatGPT 語音大升級，奧特曼：既神奇也真實

OpenAI 今日正式發表全新一代語音模型 GPT-Live，宣告 ChatGPT 的語音互動正式告別過去僵硬、機械的問答模式。OpenAI 執行長 Sam Altman 形容這次升級「既神奇也真實」，因為 AI 不再只是被動回應指令，而是能夠像真人一樣在對話中「墊話」、「閉嘴」，甚至一邊閒聊一邊在後台進行複雜推理。 過去使用 AI 語音助手的經驗常令人挫折：使用者只是稍微停頓，AI 便搶著打斷輸出；或者背景一陣噪音，就被誤判為對話結束。整套流程有如嚴格的回合制遊戲，必須等對方說完才輪到自己。GPT-Live 的底層架構從根本上解決了這個痛點，它採用「全雙工架構」（full-duplex），讓模型能夠同時進行聽與說，每秒做出無數次互動決策——現在該繼續聽、該停頓、還是該打斷。 具體體驗上，GPT-Live 學會了在用戶長篇大論時適時發出「嗯嗯」、「懂了」等語氣詞，給予即時的心理回饋；當使用者說出「讓我想一下」或明顯卡殼時，它會安靜等待，不再急著搶話。同時，模型抗干擾能力大幅提升，即使身處嘈雜馬路，也能精準鎖定用戶聲音，不再因環境噪音而錯誤打斷對話。這項特性甚至讓它勝任即時口譯：用戶話音未落，譯文便已跟上，兩種語言能在同一對話中無縫交錯。 為了配合極致的自然感，OpenAI 將 ChatGPT 內建的 9 種專屬音色全部重新調整（Remastered），增強聲音表現力。目前每週已有超過 1.5 億人使用 ChatGPT 的語音與聽寫功能，從練習外語、講睡前故事到通勤打發時間，這次升級將讓這些用戶體驗到「彷彿與真人聊天」的互動品質。 更令人矚目的是 GPT-Live 在架構上的另一項創新：前後台分離（Decoupled）。GPT-Live 被設計為專門負責「前台接待」的互動模型，核心任務是保持對話流暢自然；而一旦遇到需要全網搜索、深度邏輯推理或執行複雜 Agent 任務的問題，它會在後台悄悄將任務「外包」給最新的前沿大模型——首批支援的正是 GPT-5.5。更巧妙的是，在後台模型辛勤運算時，GPT-Live 仍會繼續用自然的語音與用戶保持互動，幫助爭取等待時間，直到答案準備好再無縫融入對話。使用者還可以根據需求選擇推理力度：Instant（即時）、Medium（中等）或 High（高強度）。 這套設計也為未來留下了升級空間。由於前台與後台模型獨立，每當 OpenAI 發表新一代模型，GPT-Live 背後調用的推理模型就能立即更換。業界預期 GPT-5.6 系列即將問世，GPT-Live 的發表被視為先行前哨站。 官方公布的盲測數據顯示，GPT-Live-1 在連續 5 到 10 分鐘的對話測試中，以 75.7% 的偏好率大幅領先上一代高級語音模式；縮小版的 GPT-Live-1 mini 也拿下 69.2%。在滿分 7 分的「對話流暢度」評分中，GPT-Live-1 獲得 4.96 分，而高級語音模式僅有 3.80 分。硬核指標上差距更為懸殊：GPQA（專家級物理化學生物推理）在高強度檔位下達 84.2% 準確率，幾乎是前代的兩倍；BrowseComp（複雜網頁搜索與 Agent 能力）從前代的 0.7% 一舉躍升至 75.2%；Telecom 測試（多輪擬真電信客服）同樣全面領先，展示作為語音 Agent 處理真實業務的潛力。 除了聽覺進化，GPT-Live 還推出視覺卡片功能。當對話需要視覺展示時，螢幕會自動彈出豐富的資訊卡，讓純語音輸出變得更加直觀有效率。OpenAI 明確表示，語音不再僅是輸入方式，而是逐步成為統領搜索、記憶、圖像識別與文件處理的超級入口，未來甚至能在後台替用戶打電話辦業務。 越接近人類的 AI，安全挑戰也越大。由於語音互動具備強烈即時性，傳統的「事後屏蔽」機制無法應付。OpenAI 導入全新的「原生音頻評估」與「合成數據評估」系統，經紅藍對抗測試後，可在模型輸出危險言論時立刻「把話頭帶偏」轉向安全回覆，或在極高風險下直接切斷語音，並推送經專家審核的危機干預熱線。針對未成年人，系統內建家長控制功能，並在模型底層注入適齡行為規範。對於聲音克隆詐騙的疑慮，OpenAI 強調 GPT-Live 僅能使用預設音色，絕不提供模仿真人聲音的功能。此外，OpenAI 也建立長期監管機制，研究用戶可能產生的情感依賴現象。 GPT-Live 目前已開始向全球 iOS、Android 與 Web 端用戶推送。ChatGPT 的付費用戶（Go、Plus、Pro）將預設使用滿血版 GPT-Live-1；免費用戶則可體驗 GPT-Live-1 mini 版本。首發版本暫不支援螢幕共享與視訊對話，如需使用需切回舊版。官方也提醒，GPT-Live 目前針對熱門語種進行最佳化，部分語言可能帶有「外國口音」或偶爾詞不達意，團隊正加緊改善。 從最初只希望 AI 能聽懂指令，到後來期待它成為全能的生產力工具，如今 GPT-Live 讓用戶在耳邊感受到的，是一個會適時回應、願意傾聽、真正懂得對話節奏的「人」。技術的快速演進，最終仍回歸到人性互動的溫暖體驗。