OpenAI的新語音模型，先把用戶煩到了

OpenAI 在台灣時間週三凌晨的一場直播中，正式發表了新一代語音模型 GPT-Live，並宣布將以此驅動 ChatGPT 的語音功能。這是自 2024 年 5 月 GPT-4o 推出 Advanced Voice 模式以來，ChatGPT 語音功能間隔兩年後的最大幅度升級。然而，產品甫一上線，用戶的評價卻呈現明顯的兩極化：有人認為這是語音互動的重要突破，但也有不少人直言，這種「太會接話」的 AI 反而讓人感到厭煩。GPT-Live 最核心的技術變革，在於採用了全雙工（full-duplex）架構。

過往的 AI 語音助手，包括先前的 ChatGPT Voice，大多屬於半雙工或回合制模式：用戶說完一句，模型再回一句；模型講話時用戶雖然可以打斷，但系統往往需要重新判斷對話邊界，再重新組織回答。這種運作方式雖然已經接近對話，卻始終缺少真正聊天時那種自然流暢的節奏感。全雙工架構讓 GPT-Live 能夠同時保持「聽」與「說」的狀態。模型不再需要等到用戶完整結束一句話後才開始回應，而是可以持續感知對話現場，即時做出決策——是繼續傾聽、發出簡短的「嗯哼」表示理解、適時暫停等待對方把話說完，還是直接切入回答。

OpenAI 官方指出，GPT-Live 每秒可以進行多次交互決策，這使得模型能夠更準確地處理停頓、猶豫、改口，甚至是背景噪音等複雜情境。這項改進的背後，是一套更細膩的架構分工。GPT-Live 本身扮演的是實時語音交互層的角色，負責處理聽、說、等待、打斷等與對話節奏相關的任務。一旦遇到需要搜索、推理或複雜運算的問題，它會將任務轉交給背後更強大的語言模型處理，例如 GPT-5.5。換句話說，語音層不必在每一次對話中都承擔全部的「智能壓力」，簡單問題可以快速回應，複雜問題則調用更高強度的推理能力，從而在流暢度與回答品質之間取得平衡。OpenAI 表示，這項新功能即日起向全球用戶開放。

iOS、Android 以及 ChatGPT.com 的所有用戶均可使用；對於 ChatGPT Plus、Pro 以及 Go 用戶，GPT-Live-1 將成為 Voice 模式的預設模型；免費用戶則會收到 GPT-Live-1 mini 版本。值得注意的是，在推出初期，GPT-Live 尚不支援語音通話、視訊通話或螢幕共享功能，官方表示正在積極開發這些功能，用戶仍可切回舊版語音模式以使用上述功能。從官方公布的評測結果來看，OpenAI 針對中斷、等待、短反饋、背景噪音、語音理解等面向設計了一套新的評估標準。

在 5 到 10 分鐘的配對語音對話測試中，評測者明顯更偏好 GPT-Live-1 與 GPT-Live-1 mini。此外，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，GPT-Live-1 的表現也超越了 Advanced Voice Mode。不過，這項成績某種程度上反映的是整體「ChatGPT Voice 系統」的進步，因為 GPT-Live 在遇到高難度問題時會呼叫後台更強的模型來處理，單就語音交互層本身的智力提升程度，官方並未提供橫向對比其他競品的數據。首批使用者的回饋呈現鮮明對比。

一部分開發者與重度用戶認為，GPT-Live 的即時互動能力在程式輔助、語言學習、通勤聊天等場景極具潛力，可能改變人們與 AI 互動的習慣。然而，也有不少使用者指出，GPT-Live 過於頻繁的短反饋——例如在用戶講話的過程中不斷插入「嗯嗯」「我懂」「明白」等聲音——反而變成一種干擾。有人批評，在實時模式下無法查詢 ChatGPT 的記憶，且語音功能在啟用攝影機或螢幕共享時竟無法使用，顯得相當不便。這些批評恰恰點中了語音助手最核心的挑戰：聲音會直接闖入使用者的注意力，不同於文字可以被忽略、慢慢閱讀或隨時關閉，語音互動的節奏一旦失準，使用者感受到的不是智能，而是煩躁。

OpenAI 顯然也意識到這個問題，因此在 GPT-Live 的設計中特別強化了「更好的聆聽」能力：當用戶停頓時，模型應該等待而非急著插話；當用戶要求它先安靜聽，它必須保持沉默；在背景有車聲或旁人說話時，它也要更專注於用戶本人的聲音。根據 OpenAI 披露的數據，每週已有超過 1.5 億人透過 Voice 或 Dictation 與 ChatGPT 對話，使用場景涵蓋騰不出手時詢問日常問題、練習外語、講睡前故事，以及在通勤路上閒聊。這些看似平凡的需求，其實才是語音功能最真實的落地場景。

GPT-Live 這次的升級，與其說是追求炫酷的技術突破，不如說是 OpenAI 對 ChatGPT Voice 日常使用體驗的一次重要補課——讓語音助手學會何時開口，也學會何時閉嘴。