OpenAI发布全双工语音模型提升对话自然度

OpenAI近日正式发布了新一代语音对话模型GPT-Live-1及其轻量版GPT-Live-1 mini，旨在让AI语音交互更加自然流畅。这两款模型采用全双工架构，能够同时进行听与说，用户可以在对话中自然打断，实现类似真人交谈的回合切换体验。新模型将默认替换ChatGPT中现有的高级语音模式，付费用户可选用性能更强的GPT-Live-1版本。

此前的语音模式依赖流水线架构：先由语音转文本模型转录用户语音，再由大语言模型生成回答，最后通过文本转语音模型输出。这种设计存在延迟高、无法处理打断等问题。新模型从根本上解决了这些痛点，不仅支持实时打断，还能在用户说话时保持沉默，充分吸收上下文语境，直到被点名回应。OpenAI在媒体简报中强调，新模型能避免“在用户说话时插话”的尴尬，同时具备更强的智能问答能力。

值得注意的是，GPT-Live系列模型并非独立运行，而是将用户查询发送至最新的GPT-5.5文本模型进行处理，从而获得搜索、推理和智能体能力。这意味着语音模式不再局限于简单问答，还能执行复杂任务，例如在对话过程中以可视化形式呈现信息。OpenAI ChatGPT语音产品负责人Atty Eleti透露，他本人曾在散步时与语音功能进行过30到40分钟的连续对话，新模型专为长时交互而设计。

OpenAI认为，语音有潜力成为未来计算的主要界面，尤其适用于管理日益复杂的长期智能体工作。“随着时间的推移，我们认为这将解锁语音作为计算主要接口的能力，用于处理越来越复杂的长期代理任务。”Eleti在简报中表示，“我们看到人们使用Codex和ChatGPT完成的惊人用例，我们认为语音可以成为未来各类工作的界面。”据透露，OpenAI可能于今年推出内置AI功能的耳机产品，但官方未对硬件信息做出确认。

行业竞争也在加剧。苹果和亚马逊均已更新其语音助手，以提升对话连贯性和上下文处理能力。由Oculus联合创始人Brendan Iribe与Ankit Kumar创立的Sesame公司，也推出了能在后台完成任务的同时进行自然对话的AI助手。另一家初创公司Monogram近期获得了DST和Lux Capital的4000万美元种子轮融资，专注于通过视觉响应增强助手的交互性。

OpenAI表示，目前已有超过1.5亿用户通过语音和听写功能与ChatGPT交流。随着GPT-Live系列模型的全面部署，AI语音交互有望从简单的指令执行迈向更深层次的协作式对话，为办公、学习、生活等场景带来更自然的人机交互体验。