北京时间 7 月 9 日，大模型厂商 OpenAI 宣布推出全新一代语音模型 GPT-Live，让用户与 AI 的对话体验更接近真实交流。

语音交互曾是 OpenAI 长期未能有效突破的短板。最初，OpenAI 语音模式依赖 ASR 语音识别、LLM 文本推理、TTS 语音合成三段式管道，延迟较长，且在语音转文本过程中会丢失语调、情绪、背景噪声等大量信息，模型也无法输出笑声、歌声或情感表达，导致对话机械、割裂，流畅交互与深度推理无法共存。

2024 年 5 月，OpenAI 发布 GPT-4o，以端到端统一模型替代三段式管道，压缩延迟时间，但实际用户体验的稳定性和覆盖面与演示存在落差。此次 GPT-Live 正是在上述产品基础上的进一步系统性升级。

据披露，此次 GPT-Live 通过架构解耦给出系统性解决方案，全双工架构构建意味着产品能够同时听与说。在对话过程中，GPT-Live 可以通过诸如 " 嗯嗯 " 或 " 是啊 " 之类的回应来表明自己正在专注倾听，或在用户需要片刻思考时保持沉默。完善语音体验。

OpenAI 方面表示，GPT-Live 是公司迄今为止最智能的语音模型。对于需要进行网络搜索、深入推理或完成更复杂任务的问题，它会在后台调用最新前沿模型——目前是 GPT-5.5，过程中保持对话的连贯性。

伴随用户与 AI 交互对话、AI 落地硬件等端侧场景需求增长，流畅、准确，能感知情绪变化的 AI 语音对话成为模型产品近乎必备的能力。ChatGPT 语音功能的产品负责人阿蒂 · 埃莱蒂（Atty Eleti）称，他在散步时曾与该语音功能进行过长达 30 至 40 分钟的对话。

目前已有超过 1.5 亿人通过语音和听写等功能与 ChatGPT 进行互动。埃莱蒂预估，随着时间推移，语音也将成为计算的主要交互方式，并用于管理日益复杂、需要长期运行的智能体任务。目前开发者已经开始借助 Codex 和 ChatGPT 实现重要的应用案例，而语音有望成为各类工作的交互界面。

此次 OpenAI 更新之前，行业实时交互体验以谷歌、字节跳动豆包为代表，两者均可与 AI 产品直接实时语音对话。虽然体验相近，但技术路线各有不同。谷歌 Gemini Live 底层依托统一 Gemini 多模态基座 Gemini 3.1 Flash Live，无独立专用语音模型，音频、视频、图像、文本共用一套模型权重，配套谷歌自研 TPU 集群做流式推理加速；豆包语音底座为字节 Seed 团队自研 Seeduplex 原生全双工端到端语音专用模型。

加上此次更新的 GPT-Live，三者产品体验与技术路线各有优劣，但共同证明语音已从附加功能升级为 AI 核心流量入口，未来将承载用户增长、硬件落地、商业化变现等平台需求。产品体验逐渐趋同，但技术路线分化证明语音交互尚未收敛至单一最优解。

有用户在 GPT-Live 发布留言区称：" 我终于可以把 OpenAI 推荐给我奶奶用了。" 从这个角度来看，OpenAI 在 C 端语音交互体验上，逐渐向 " 海外版豆包 " 靠拢，与 Gemini 实时对话能力对齐。而能否在 B 端完善智能体开发等场景的语音交互，将成为有待观察的营收新增长点。

( 本文来自第一财经 )