GPT-Live突袭发布！Google、xAI扎堆卷入语音赛道

来源：市场资讯

（来源：51CTO技术栈）

编辑 | 林芯

刚刚，OpenAI 突然宣布新一代语音模型 GPT-Live 上线！

刚开始觉得：“不就是新的语音模式吗？”

但实际上，这可能是 ChatGPT 自 GPT-4 以来，交互方式的一次重大升级。

OpenAI 在博客上直接表明：迈入人机交互的新纪元。

我们的愿景是实现真正自然的人与人工智能互动：一个与人工智能协作如同与他人合作般流畅且响应迅速的世界，而推理和复杂任务执行则无缝地在背景中进行。

那么这次的 GPT-Live 到底有哪些改进？为什么能被认为是 OpenAI 最智能的语音模型？

GPT-Live：就像人和人打电话一样

一句话概括：GPT-Live 是 OpenAI 全新一代的语音模型，专门用来驱动 ChatGPT 的“语音模式”，核心卖点是让 AI 说话更像真人聊天。

底层是全双工架构。通俗地说，就是“边听边说”，就像人和人打电话一样，你说话的时候它能同时在理解你的意思，甚至会自然地给你一句“嗯”“好的”这样的回应词，让人感觉到“它真的在认真听”，而不是等说完才反应过来。

GPT-Live 可以每秒钟做出多次交互决策，例如是否说话、继续聆听、暂停、打断或调用工具。

目前 OpenAI 推出了两个版本：GPT-Live-1 将成为支持 Go、Plus 和 Pro 用户的 ChatGPT 语音默认模型，GPT-Live-1 mini 将成为免费用户的默认型号。

为什么 GPT-Live 被认为是OpenAI最智能的语音模型？

OpenAI 官方把 GPT-Live 称为“我们最智能的语音模型”，这个说法不是白说的：如果遇到需要联网搜索、复杂推理或者更‘烧脑’的任务时，GPT-Live 不会干等着，而是把任务悄悄‘外包’给背后更强大的前沿模型去处理。等待结果的过程中，GPT-Live 依然可以继续跟你聊天，维持对话的流畅度，等答案出来了，再自然地把结果带回对话里。

简单说就是：前台负责“聊得自然”，后台负责“想得深”。

再说说和上一代的区别。ChatGPT 语音功能这些年其实经历了三代：

最早的 Standard Voice Mode:“语音转文字→大模型处理→文字转语音”三段拼接，处理完一句再处理下一句，延迟明显，对话体验生硬。

2024 年上线的 Advanced Voice Mode(也就是很多人熟悉的GPT-4o 语音)：速度快了很多，也能识别语气和情绪，一度让人眼前一亮。但它本质上依然是“轮流发言”，必须等你说完才会开始回应（检测到静音）。因此短暂停顿或背景噪声可能被误判为说话结束，导致打断。

现在的 GPT-Live：彻底取消了“轮流发言”的限制，改成持续处理输入的同时生成输出，是真正意义上的"边听边说"。

测评数据怎么说：迈入人类与 AI 交互的新时代

OpenAI 官方还进行了人工偏好测试。在测试中，评测员分别体验 GPT-Live 与上一代 Advanced Voice Mode（AVM）的语音对话，然后选择自己更喜欢的一方。

结果显示，GPT-Live-1 在 75.7% 的对比中胜出，GPT-Live-1 mini 的偏好率也达到 69.2%。

评测员还从对话流畅度和交流舒适度两个维度，对三个模型进行 7 分制评分。结果显示，GPT-Live-1 的流畅度得分达到 4.96 分，明显高于 AVM 的 3.80 分；交流舒适度则获得 5.19 分，同样领先于 AVM 的 3.82 分。

甚至还有GPQA、BrowseComp、τ³-Voice Telecom等多向测试：

GPQA 测试涵盖生物学、化学和物理学的专家级科学推理能力，GPT-Live-1 在 GPQA 测试中表现远超AVM：

BrowseComp旨在评估智能网络搜索和查找难以定位的信息的能力，GPT-Live-1 在 BrowseComp 测试中比AVM表现出色：

τ³-Voice Telecom旨在评语音代理在真实的、多轮电信支持任务中的表现，GPT-Live-1 在 τ³-Voice Telecom 上的表现优于AVM：

语音 AI 赛道：可不止 OpenAI 一家

有没有其他 AI 巨头做语音模型？

有，而且这条赛道现在挤满了玩家。2026 年上半年可以说是是语音 AI 竞争最密集的半年之一：

• 谷歌 Gemini Live：2024 年就已经对标当年的 GPT-4o 语音模式推出，今年 3 月又发布了 Gemini 3.1 Flash Live，把过去需要语音识别、大模型、语音合成多个模块串联的实时语音链路，折叠进单一的原生音频模型。5 月的 Google I/O 上,谷歌进一步开放了 Live API,支持模型主动发起对话、自动识别语种、实时多语言翻译。

• Grok：Grok Voice 是马斯克 xAI 推出的实时语音对话模式，主打把复杂推理放在后台完成、不拖慢响应速度。7 月初，xAI 又为 Grok 语音新增了 21 种多语言音色，进一步补齐了海外多语种场景的短板。

• Meta：布局则更偏向社交和硬件。近两年 Meta 主要推进的是：Meta AI 语音助手、集成到 WhatsApp、Messenger、Instagram 等产品、与 Ray-Ban 智能眼镜深度结合，实现语音问答、拍照识别和视觉 AI。

一位投资人直言：“2026年是语音助手真正变得优秀的一年。”

网友：GPT-Live 还会不会频繁打断用户？

在这个评论区，网友最关心的是：GPT-Live 会不会频繁打断对话。

“我喜欢语音功能，但它最大的问题是，每次我说话哪怕只有短暂的停顿，它都会打断我。”

“这很酷，但它在处理打断方面还可以做得更好。”

当然，还有一些对 GPT-Live 的期待：

“如果它能在嘈杂拥挤的场所也能正常工作，让我可以和它通话，我会更加印象深刻。”

“它需要视觉输入才能知道何时有人想要打断。如果没有视觉输入，它总会有些偏差。”

GPT-Live 推出后，OpenAI 总裁 Greg Brockman 发文：“在我们自己的测试中，感觉我们对它的了解还只是冰山一角。”

关于 AI 的“下一代入口”一直是全球科技公司的争夺战场。如果 GPT-Live 的潜力能够持续释放，那么语音交互或许有可能成为 AI 的下一代入口。

“智能、功能强大的实时语音技术很有可能成为消费级人工智能的最终目标。这将为市场参与下一阶段的建设提供理由。”

语音真的能成为 AI 的“下一代入口”吗？还是说，没有视觉输入，语音永远只是半条腿走路？欢迎在评论区分享！

参考资料：

https://x.com/OpenAI/status/2074907025537224840?s=20

https://openai.com/index/introducing-gpt-live/