OpenAI深夜放出GPT-Live，ChatGPT終於像真人一樣說話

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。