我想跟AI说话了！奥特曼被GPT-Live圈粉，网友吵翻

新智元报道

【新智元导读】OpenAI刚推出的GPT-Live，让ChatGPT第一次能边听边说。连一向嫌弃跟AI讲话的奥特曼都改口，说想开口聊了。可它到底是更好的陪伴，还是一个更爱抢话的AI？

7月8日，OpenAI发布了新一代语音模型GPT-Live，直接替换掉ChatGPT里用了一年多的语音模式。

一向不爱用语音的奥特曼直呼既真实又神奇，当场改口：

我一直更喜欢打字，而不是跟AI说话，现在我觉得这事要变了。

GPT-Live就像是GPT的一张「嘴」，只干一件事：让对话像真人一样流动起来。

真要动脑子的活，搜索、推理、办一件复杂事，它转手就甩给后台的GPT-5.5，等那颗「大脑」想完，再自然地接回对话里。

GPT-Live管嘴，GPT-5.5管脑。

GPT-Live负责前台实时对话，复杂任务甩给后台GPT-5.5，算完再接回来。

OpenAI这回拆开的不只是模型，是「说」和「想」这两件事。

每周有1.5亿人在用ChatGPT的语音和听写。

这次GPT-Live分两档推送：付费的Go、Plus、Pro用上GPT-Live-1，免费用户默认GPT-Live-1 mini，iOS、Android、网页端全球同步开。

AI不再等你把话说完

GPT-Live到底改变了什么？

过去的语音AI，走的是一条「三段式」流水线，业内叫级联式（Cascaded）架构：

先把你的话转成文字（STT），再交给大模型（LLM）想出回答，最后合成成声音（TTS）念给你听。

三个模型串成一串，每过一道，信息就掉一点，回答既容易延迟又生硬。

级联式语音系统：STT转文字→GPT-5.5想答案→TTS合成声音，一来一回，慢就慢在这串接力上。

后来的Advanced Voice Mode，把三步压进一个模型，快了、顺了，可骨子里还是「回合制」：你说完，它才能说。

Advanced Voice Mode下，用户和AI一轮接一轮交互，中间的停顿全靠静音判断，一犹豫就容易被打断。

这套机制的死穴，是它靠「静音」判断你说完了。

你中途喘口气、犹豫一下，或者旁边有点杂音，它就以为你讲完了，一头扎进来打断你。

那种感觉，更像在跟一台电话客服系统对话，而不是跟人聊天。

这正是所有人用语音AI最烦的一个地方。

GPT-Live通过全双工（Full Duplex）架构，改变了这种回合制的交互方式。

全双工这个通信术语意思是，电话两头能同时讲、同时听。

过去的语音AI像对讲机，你说完喊一声「完毕」，松开手，它才开口。全双工则像正常打电话，两头同时讲、同时听，谁想插话可以随时插话。

全双工下，User和GPT-Live两条声轨同时起伏，AI不再等你说完才开口。

落到AI身上，就是它一边听你说，一边能出声，两件事同时干。

它每秒要做好几次判断：现在该开口，还是继续听？该停，还是该接话？要不要顺手调个工具？

于是它学会了几件过去做不到的事：

你思考时它安静等着，你说话时它用「嗯」「对」「明白」轻轻应一声，你想打断随时能打断，甚至能一边听你说、一边把话同步翻译出来。

边听边说

更自然，还是更烦人？

发布会上有一个实测很能说明问题：用户让ChatGPT一边核对某个会议的日期，一边帮他查路上的天气和路况。

ChatGPT一路「嗯」「好」地应着，用户中途还在不断追加新要求，它照单全收，全程没把话头跟丢。

放在过去的回合制模式里，这种一句话套一句话的连环追问，多半会把AI绕晕。

实时翻译也跟着变了。

以前得等你说完一整句才翻，现在能边说边译，一场跨语言对话不用再频频停顿。聊到天气、股价、比分、路线，它还能直接甩出一张可视化卡片让你看。

OpenAI顺手把ChatGPT里的九种声音全部重做了一遍，个性更鲜明。

OpenAI官方表示，在5到10分钟的真实对话测试里，无论是打断、轮流接话还是整体的自然度，用户都明显更偏爱GPT-Live，而不是上一代的Advanced Voice Mode。

左图和AVM两两对比二选一，GPT-Live-1拿下75.7%、mini拿下69.2%，均甩开50%打平线；右图7分制打分，流畅度、愉悦度两项，GPT-Live-1(4.96/5.19)和mini(4.33/4.47)都压过AVM(3.80/3.82)。

在专家级科学推理、以及需要联网深挖的智能体搜索任务上，它也甩开了前代。

但「边听边说」，是更自然，还是更烦人？

OpenAI给这次发布配了一支很温情的短片：

一位银发老太太一边织毛线，一边和ChatGPT语音闲聊，后来朋友也加进来，两人对着手机你一言我一语。短片突出的，是「像真人一样的陪伴」。

结果视频一出，评论区先吵了起来。有人吐槽：AI怎么老打断人？

也有人替它说话：这就是全双工的正常表现，比起过去的Advanced Voice Mode，它明显更聪明、更跟得上。

有意思的地方，恰好在这里。

人跟人聊天时，适时的「嗯」「对」是搭腔，是共情；可一旦时机没踩准，同样的插话就成了打断、抢话、没耐心。

这个分寸，就连人类有时也难以把握。

让AI学会察言观色，真正跟得上人类的对话节奏，可能要比想象中难得多。

轻模型在前

强模型在后

OpenAI这次GPT-Live发布，把「实时交互」和「深度推理」拆给了两个模型。

GPT-Live只干交互这一层，在前台陪你连续对话，主打低延迟，让对话不断线。

一旦你的问题需要联网搜索、深度推理，或者要它动手办一件复杂的事，它就把活儿甩给后台一个更强的前沿模型去算（发布时挂的是GPT-5.5），算的过程中它继续跟你聊，结果出来了再自然地接回对话里。

而且，后台那个「大脑」随时能换：今天挂GPT-5.5，明天出了更强的模型，直接换上去，前面那张「嘴」一点也不用动。

你还能自己选让它想多久：要快就Instant，要它多想想就Medium或High。

延迟的老毛病，也顺手治好了。

以前你抛一个需要联网查证的问题，AI要么卡在那里干等，要么留给你一段生硬的沉默。

人跟人说话最怕冷场，语音助手一旦沉默超过两三秒，人的第一反应就是「它是不是死机了」，然后忍不住去戳屏幕。

现在，嘴和脑一配合，冷场没了：GPT-Live在前面陪你把话接住，费脑子的活儿藏进对话的缝隙里，你几乎察觉不到它在后台调了另一个模型。

这套分工，像极了心理学家丹尼尔·卡尼曼（Daniel Kahneman）所说的人脑「双系统」：

前台的GPT-Live是系统1，快、直觉、随时接话；后台的推理模型是系统2，慢一些，但负责真正费脑子的活。

你会开口和语音AI聊天吗？

这套架构真正的杀伤力在后头：后端换上更强的模型，语音层不用重训，能力就跟着水涨船高。

想透了这个逻辑，你会发现OpenAI赌的根本不是一个「更好聊的语音助手」，它看到的是入口。

ChatGPT语音产品负责人Atty Eleti说得很明白：

语音有可能变成人跟计算机打交道的主要方式。

Eleti自己散步的时候，能跟GPT-Live连着聊30到40分钟。

不止是语音交互。

你说话的同时，屏幕上能弹出天气、股价、球赛比分的卡片，这场对话不光用耳朵听，还能用眼睛看。

据多家媒体报道，OpenAI年内还可能推出一副AI耳机。如果为真 ，语音就有了随身的 硬件入口，Ch atGPT也就可能 成为你每天第一个开口 说话的AI。

对普通人，语音抹平的，是横在几亿人面前的那道门槛。

开车时让它顺路查个天气，做饭时让它讲新闻，跟AI说话不用学任何操作，张嘴就行。

X上已经有人说，自己会下意识对着ChatGPT「嗯」一声，会在它说话时自然插嘴，甚至挂断后愣一下：刚才那段，好像没跟机器说话的感觉。

连奥特曼都从打字党变成了语音党。

过去几十年，是人学着适应键盘和鼠标；现在，轮到机器来适应人的说话方式了。

下一个开口的，会是你吗？

参考资料：

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

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

编辑：元宇