OpenAI的新語音模型，先把用戶煩到了

OpenAI 在 7 月 9 日凌晨的直播中，正式發表了新一代語音模型 GPT-Live，並宣布這款模型將開始驅動 ChatGPT 的語音功能。距離上一次 ChatGPT Voice 的世代更新——2024 年 5 月 GPT-4o 發表時展示的 Advanced Voice，已經過了兩年。然而，這項被寄予厚望的新功能，在首批用戶的反饋中卻出現了兩極化的評價，甚至有人直言「被煩到了」。GPT-Live 最核心的變革，在於引入了「全雙工」（full-duplex）架構。

過去的 AI 語音助手，無論是 ChatGPT、Gemini 還是其他主流產品，大多像一台反應靈敏的對講機：用戶說一句，模型回一句；模型說話時用戶可以打斷，但系統往往需要重新判斷、重新組織回答。這種模式雖然已經接近對話，卻始終不夠自然，不像真正的聊天。在真實的人類對話中，人們會停頓、猶豫、突然改口，也會在對方說話時補上一句「等等，不是這個意思」，甚至只是一聲「嗯嗯」或「我懂」就足夠了。過去 AI 語音助手最難處理的，正是這些細節。要理解 GPT-Live 的進步，必須先回顧 OpenAI 語音系統的演進。

最早的 ChatGPT Voice 採用的是「級聯語音系統」（cascaded voice system），由多個模型接力完成：先將用戶語音轉成文字，再讓大語言模型根據文字生成回答，最後將文字轉成語音。這套方案容易搭建，但語音中的語氣、停頓、情緒變化等大量資訊，在第一步轉文字時就會流失，而且多個模型串聯也導致延遲疊加，讓語音助手變得「聽一句、想一下、再念一句」。到了 GPT-4o 之後的 Advanced Voice，OpenAI 開始改用原生音頻模型直接處理聲音，保留了更多音頻細節，延遲也更低，用戶可以更自然地打斷。

但 Advanced Voice 仍然屬於「回合制語音模型」（turn-based voice model），它必須先判斷用戶是否說完，才能決定是否開始回答。用戶停頓一秒，可能是說完了，也可能只是還在想；這個邊界判斷一旦出錯，對話就會變得彆扭。GPT-Live 透過兩項架構上的改進來解決這個問題。第一項是將語音對話從「輪流發言」推進到全雙工模式。模型可以持續聽、持續判斷、持續生成語音，而不只是在用戶結束發言後才進入回答狀態。根據官方介紹，GPT-Live 每秒可以做出多次交互決策：是繼續說話、繼續傾聽、暫停、打斷對方的話語，還是調用某個工具。

這使得它能夠在用戶說話的過程中，適時給出「嗯」「哦」這類情緒性短回應，就像人與人煲電話粥時的自然互動。第二項改進則是語音交互層與後台智能之間的分工。GPT-Live 更像 ChatGPT 的實時語音交互層，負責聽、說、等待、打斷、維持對話節奏；遇到需要搜索、推理或複雜任務的問題時，它可以把任務交給背後的更強模型（例如 GPT-5.5）處理。這樣一來，語音模型不必在每一句話裡都承擔全部智能壓力，簡單問題可以快速回答，複雜問題則調用更高強度的推理。值得注意的是，GPT-Live 並非全雙工語音架構的先行者。

此前 Kyutai 的 Moshi、英偉達的 PersonaPlex，以及谷歌的 Gemini Live，都已經在類似方向上探索。GPT-Live 的獨特之處，在於將這套「邊聽邊說」的能力帶進了 ChatGPT 這個主流入口，並能與 OpenAI 的其他模型協同運作。OpenAI 在官方評估中，使用了自訂的測試標準，包含對中斷、等待、短反饋、背景噪音、語音理解等能力的測試。在 5 到 10 分鐘的匹配語音對話中，評測者明顯更偏好 GPT-Live-1 和 GPT-Live-1 mini。

此外，OpenAI 也宣稱 GPT-Live-1 在 GPQA（科學推理）、BrowseComp（網頁搜索）以及內部版本的 τ³-Voice Telecom（多輪電信客服）等任務上都超過了 Advanced Voice Mode。不過，這部分的成績很可能來自於 GPT-Live 遇到複雜任務時會調用後台更強的模型，而非語音交互層本身突然變得更聰明。網友對 GPT-Live 的評價呈現兩極分化。一部分人認為，這次更新潛力巨大，尤其是在程式編寫等場景中，可能改變許多人的使用習慣。但也有不少用戶直言，GPT-Live 那種頻頻以「嗯嗯」「明白」等短回應打斷對話的方式，反而令人感到厭煩。

此外，GPT-Live 在實時語音模式下無法查詢到 ChatGPT 的記憶，也無法在攝像頭模式與螢幕共享功能下使用。根據官方文件，GPT-Live 已向全球所有 iOS、Android 系統的 ChatGPT 用戶以及 ChatGPT.com 的用戶開放。對於 Go、Plus 和 Pro 版用戶，GPT-Live-1 將成為驅動 ChatGPT Voice 的默認模型；免費用戶則默認使用 GPT-Live-1 mini。在推出初期，GPT-Live 不支援語音通話、視頻通話或螢幕共享功能，官方表示正努力盡快添加這些功能，用戶仍可切換回舊版語音模式來使用上述功能。

OpenAI 透露，每週已有超過 1.5 億人透過 Voice 和 Dictation 與 ChatGPT 對話。這些用戶最常做的事情包括：騰不出手時問日常問題、練習外語、講睡前故事、通勤路上聊天。這些場景雖然不算炫酷，卻是語音功能最真實的使用情境。GPT-Live 的升級方向被拆解為四個面向：更自然的對話、更聰明的回答、更好的聆聽，以及可視化回答。更自然的對話，對應用戶可以中途插話、停下來想一想、要求 ChatGPT 放慢語速；模型會用短回應表示自己在聽，而不是等到用戶說完才突然開始輸出一大段回答。

更聰明的回答，則允許用戶選擇不同推理強度：Instant 用於快速回答，Medium 和 High 則留給需要更多思考的問題。更好的聆聽，則強調用戶停頓時模型應該等待，而不是急著插話；背景有噪音時，模型要更專注於用戶本人的聲音。最後，可視化回答讓 ChatGPT 可以在語音對話中展示天氣、股票、體育等視覺卡片，並繼續支援搜索、記憶、圖片和文件上傳。從首批用戶的反饋來看，GPT-Live 雖然在技術上實現了更流暢的對話，卻也暴露了「短反饋過多」的新問題。語音助手與文字助手最大的不同在於，文字可以被忽略，可以慢慢讀，也可以隨時關掉；但聲音會直接闖入人的注意力。

如果模型接話太急、短反饋太多、判斷錯停頓，用戶感受到的就不是智能，而是煩人。GPT-Live 的真正考驗，或許不在於它能不能「多會說話」，而在於它能不能「學會閉嘴」。這次更新無疑具有價值，它讓 AI 語音助手變得更順，也同時暴露了變順之後可能碰上的新問題。這些問題，很可能也是其他 AI 語音助手未來（或已經存在）的挑戰。對於技術的發展，或許我們需要多一點耐心。