OpenAI深夜放出GPT-Live，ChatGPT終於像真人一樣說話
重點摘要
OpenAI 於 7 月 9 日深夜突然上線新一代語音模型 GPT-Live，大幅升級 ChatGPT 的語音對話功能。這款基於全雙工架構的模型讓 AI 不再只是簡單的一問一答，而是能同時聽與說，實現更像真人的對話節奏。當用戶停頓思考時，模型會耐心等待；需要插話時，也能自然回應，整體互動體驗變得輕鬆流暢。OpenAI 形容這是該公司迄今最智慧的語音模型。 GPT-Live 的核心技術突破在於架構設計。傳統語音系統採用級聯式或輪次式處理，分別面臨訊息損失與對話僵化的問題。
OpenAI 於 7 月 9 日深夜突然上線新一代語音模型 GPT-Live，大幅升級 ChatGPT 的語音對話功能。這款基於全雙工架構的模型讓 AI 不再只是簡單的一問一答，而是能同時聽與說，實現更像真人的對話節奏。當用戶停頓思考時，模型會耐心等待；需要插話時，也能自然回應，整體互動體驗變得輕鬆流暢。OpenAI 形容這是該公司迄今最智慧的語音模型。GPT-Live 的核心技術突破在於架構設計。傳統語音系統採用級聯式或輪次式處理，分別面臨訊息損失與對話僵化的問題。GPT-Live 則採用全雙工架構，能在生成回應的同時持續接收輸入，每秒鐘進行多次互動決策，包括是否開口、繼續傾聽、暫停或插話。
此外，OpenAI 將持續對話層與深度任務處理層分離，當用戶的提問需要搜尋、推理或複雜任務時，GPT-Live 會將任務委派給後端更先進的模型（目前為 GPT-5.5），同時維持對話流暢性。這項設計讓 GPT-Live 能持續接入最新模型與智能體，融合前沿智慧與自然互動。在產品規劃上，OpenAI 推出兩個版本：GPT-Live-1 與 GPT-Live-1 mini。GPT-Live-1 將作為 ChatGPT Go、Plus 和 Pro 用戶語音模式的預設模型，而 GPT-Live-1 mini 則提供給免費（Free）用戶。
即日起，全球 ChatGPT 用戶將逐步在 iOS、Android 以及 ChatGPT.com 上獲得這項更新。回顧語音 AI 的演進，OpenAI 指出先前的技術路線各有明顯取捨。最早期的級聯式系統（如最初的 ChatGPT Voice）由語音轉文字、語言模型與文字轉語音三階段串接完成，結構複雜且容易造成資訊衰減，回應也顯得生硬。後續登場的輪次式模型（如 ChatGPT Advanced Voice Mode）則將音訊處理整合在單一模型中，降低了延遲，但仍須等用戶說完才能回應，且系統往往依賴靜音偵測來判斷發言結束，導致用戶短暫思考或環境噪音容易觸發不當插話。
GPT-Live 透過兩項架構革新解決前述問題。首先是持續交互，全雙工架構讓模型能在輸出的同時持續處理輸入，實現自然來回對話，甚至支援實時翻譯。其次是深度任務委派機制，將即時對話與需要大量運算的後臺任務解耦，使模型在處理複雜查詢時仍能與用戶順暢交談。為了驗證 GPT-Live 的表現，OpenAI 建構了一套專注於對話愉悅感與流暢度的人類評估體系。在一對一對比測試中，進行 5 到 10 分鐘的對話後，無論是 GPT-Live-1 或 GPT-Live-1 mini，在整體偏好、輪次銜接、打斷情況、對話流暢度及自然程度等維度上，都顯著優於 Advanced Voice Mode。
此外，在科學推理評測 GPQA（生物、化學、物理）、智能體網頁搜尋評測 BrowseComp 以及電信客服任務評測 τ³-Voice Telecom 中，GPT-Live-1 的成績也明顯優於 Advanced Voice Mode。根據 OpenAI 數據，每週有超過 1.5 億人透過語音與聽寫等功能使用 ChatGPT。用戶常以語音模式獲得免持協助、練習外語、講睡前故事，或是在通勤時隨意閒聊。隨著 GPT-Live 上線，這些體驗將全面升級。新版 ChatGPT Voice 帶來更自然的對話節奏，用戶可以隨時打斷提問，也可以停頓整理思緒，甚至要求模型放慢語速。
模型會以「mhmm」、「got it」等細微回應讓用戶知道它正在傾聽。OpenAI 也針對 GPT-Live 重新製作了九種不同聲音。智慧程度方面，ChatGPT Voice 現在能調用最新前沿模型，在需要時提供更精準的回答。用戶可依需求選擇推理強度：Instant 適合快速回應，Medium 和 High 則適合希望模型多花時間思考的場景。傾聽能力也有明顯提升，當用戶需要思考時，ChatGPT 會安靜等待而不貿然插話，即使環境中存在車輛駛過或旁人交談等背景噪音，模型也能更專注於用戶的聲音。此外，語音對話中現在可以展示天氣、股票、體育等話題的視覺化卡片，讓部分資訊一目了然。
記憶、搜尋、圖片與檔案上傳等功能則持續支援。隨著全球逐步推送，用戶將在未來數日內陸續體驗到這項變革，ChatGPT Voice 變得更自然、更強大，也更適合日常生活中的多元場景。
Related
相關文章
曝字節訓10億參數大模型，或超Mythos 5，張一鳴、梁汝波先後發聲
字節跳動正在訓練一個參數量高達10萬億的AI模型，規模可能超越Anthropic的Mythos 5。創辦人張一鳴在內部會議中強調編程的關鍵地位，並反對模型蒸餾，認為這只能複製而非超越對手。字節跳動在AI領域持續加大投入，同時在產品端與訓練端採取雙線進攻策略。
AI 需求擠爆雲計算，消息稱 AWS 要求工程師關閉閒置服務器減少資源浪費
因AI需求導致算力緊缺，亞馬遜AWS要求工程師關閉閒置的EC2實例，以減少資源浪費。數據顯示約65%的EC2實例在30天內平均CPU利用率低於20%，AWS因此升級計算優化器自動標記低使用率虛擬機。此外，AWS過去一年新增3.8吉瓦電力容量，仍難以應對GPU雲端實例的龐大需求。
使用 NVIDIA NeMo Retriever、託管 NIM、LanceDB、重新排序與基於事實生成建立多模態 RAG 管線
在本教學中，我們將使用 NVIDIA NeMo Retriever 建立一個先進的多模態檢索增強生成管線。首先設定 Python 3.12 環境、安裝必要套件，並在無需 GPU 或外部 API 金鑰的情況下進行離線 PDF 文字提取。接著，我們透過託管的 NVIDIA NIM 端點來偵測頁面元素、提取表格、圖表與資訊圖形、產生稠密向量嵌入，並將處理後的內容儲存至 LanceDB。最後，我們實作了稠密檢索、視覺語言重新排序、後設資料過濾搜尋、附行內引用的基於事實回應生成，以及輕量級的 recall-at-k 評估，以驗證跨多模態文件內容的檢索品質。
NVIDIA AI 推出 NOOA：將 AI 代理轉化為單一 Python 類別的物件導向框架
NVIDIA 實驗室開源了 NOOA（NVIDIA 物件導向代理），這是一個與模型無關的 Python 框架，用於建構 AI 代理。傳統的代理開發分散在提示模板、工具架構、回呼程式碼和工作流程圖中，而 NOOA 將所有這些整合到一個 Python 類別中：方法代表模型可採取的動作，欄位代表代理狀態，文件字串作為提示，型別註解則是執行時期強制執行的合約。主體為「...」的方法由 LLM 驅動的迴圈在執行時期完成，而具有正常主體的方法則保持確定性的 Python 程式碼。開發者與模型因此共享同一介面，使代理行為能像一般軟體一樣進行測試、追蹤、重構和版本控制。NVIDIA 報告在 SWE-bench Verified 上達到 82.2%，在 CyberGym L1 上達到 86.8%，平均 RHAE 為 85.1%。
六巨頭定AI插件新標準，撞臉Claude，Anthropic沒上桌
六大科技巨頭（AWS、Anysphere、GitHub、微軟、OpenAI、Vercel）聯合發布AI智能體插件統一開放規範Agent Plugins 1.0.0，旨在統一插件打包格式，減少開發者重複勞動。該規範的結構與Anthropic的Claude Code插件系統高度相似，但Anthropic並未參與制定，而是繼續經營自己的封閉生態。
DeepSeek重啟融資，三年市值對齊騰訊？
DeepSeek重啟第二輪融資，以5000億元人民幣估值尋求籌集80億美元，但網傳一份由小型醫藥私募發起的專項基金募資材料引發網友質疑，後經DeepSeek員工證實部分數據屬實。該公司近期宣布API大幅漲價，可能打破其以低價換規模的估值邏輯，面臨客戶流失風險。市場關注其能否從「價格屠夫」轉型為價值提供商，以及三年內市值能否對齊騰訊等巨頭。