ChatGPT语音模式支持边听边说，复杂问题转后台推理

ChatGPT的语音交互模式迎来重大升级，如今可以实现边听边说，并将复杂推理任务转交后台专用模型处理。

• 核心发布信息：7月8日，相关AI企业发布了两款语音模型——GPT-Live-1与GPT-Live-1 mini，为重构后的ChatGPT语音功能提供底层支持。与此前的Advanced Voice Mode（AVM）不同，两款模型均可同步处理传入与传出的音频流，而非等待单轮对话结束后再进行处理。通信领域将这种模式称为全双工交互：就像日常打电话一样，收发信号同时进行，而非对讲机式的轮流发言。当遇到需要深度思考的问题时，语音模型会将任务转交GPT-5.5处理，同时自身继续维持对话状态，该系统完全替代了此前的AVM模式。

• 产品细节

• 输入输出：两款模型均支持语音输入与输出，采用连续式音频处理，实现收发同步。在ChatGPT应用中，对话界面会同步展示视觉卡片，涵盖天气、股票、体育、地图等内容，同时支持图片与文件上传，但暂不提供实时视频与屏幕共享功能。官方表示正在推进这两项功能的上线，目前该体验仍可在旧版Standard与AVM模式中使用。

• 功能特性：支持实时翻译功能，内置9种重新优化的预设语音，且均配备了防止模仿真人声音的安全保护机制。GPT-Live-1支持用户自主选择推理强度：Instant模式后台调用GPT-5.5 Instant，Medium与High模式则对应运行GPT-5.5 Thinking；而GPT-Live-1 mini仅支持调用GPT-5.5 Instant。

• 性能表现：在官方测试中，高推理设置下的GPT-Live-1在GPQA测试（涵盖生物、化学、物理的研究生水平科学考题）中得分达84.2%，而前代AVM仅为45.3%。在BrowseComp测试（面向难以获取信息的智能体式网页搜索任务）中，两者差距更为明显：GPT-Live-1高推理模式下正确率达75.2%，而AVM仅为0.7%。人工评审在5到10分钟的配对对话中，75.7%的情况更偏好GPT-Live-1，GPT-Live-1 mini的该比例为69.2%。

• 内容安全表现：两款GPT-Live模型在识别违规内容方面均优于前代AVM，在非法行为（GPT-Live-1识别率97%，AVM为74%）与自我伤害相关内容（96% vs 89%）上提升显著。在对抗性提示场景中提升更为明显：GPT-Live-1识别出84%的心理健康相关违规查询，AVM仅为57%；在自我伤害场景下，GPT-Live-1识别率达98%，AVM为72%。

• 可用性：目前已在全球范围内登陆iOS、Android平台与ChatGPT官网。GPT-Live-1为Go、Plus、Pro付费计划的默认选项，且不收取额外费用；GPT-Live-1 mini则面向免费计划用户开放。暂未推出面向开发者的API，目前面向开发者的语音方案仍为GPT-Realtime-2，已于5月接入Realtime API。

• 未披露信息：官方未公布两款模型的参数量、架构细节、训练数据、知识截止时间、延迟测试数据以及按使用量计费的定价方案。

• 系统运作逻辑：官方发布的GPT-Live系统卡显示，该系统由多个模型集成组成。与前代AVM相比，核心差异有两点：一是采用连续音频处理而非轮次式处理，二是将复杂任务委派给独立的后台模型。

每一款GPT-Live模型在生成自身回复的同时处理传入音频，每秒会多次判断下一步动作，包括继续发言、暂停聆听、等待用户输入、插话、给出反馈性语气词（如“嗯”“对”），或是触发工具调用。

当遇到需要网页搜索、深度推理或多步工具调用的任务时，语音模型会将任务转交GPT-5.5处理，在后台模型运行的同时维持对话状态，待结果返回后再将内容整合进对话中。两个模型共享对话上下文，但由不同的系统编排与提供服务。官方表示，后续会随着新推理模型的发布，将GPT-Live对接更新的模型版本。

安全检查会与对话同步进行，系统会在输入与输出展开的过程中实时审核，可根据情况引导或中断回复、播放语音安全提示、以文字或语音形式展示支持资源，在风险较高的场景下甚至会直接结束对话。

• 行业背景与竞品对比：GPT-Live的两项核心设计——全双工音频处理与推理模型委派，并非全新概念。此前已有多个团队推出类似架构：阿里巴巴的Qwen2.5-Omni Thinker-Talker将文本生成的“思考模块”与语音合成的“说话模块”整合为统一系统；Thinking Machines Lab在TML-Interaction-Small模型中实现了前台交互模型与后台推理器的配对；Kyutai推出的Moshi被作者称为“首个实时全双工口语大语言模型”，于2024年正式发布；英伟达在今年1月推出了基于Moshi的开源权重模型PersonaPlex；谷歌的Gemini Live目前也支持连续对话与摄像头、屏幕共享功能。官方表示，其将这类体验带给了超1.5亿每周使用ChatGPT语音与听写功能的大众用户，这也是其值得自豪的成果。

• 战略布局意义：官方对语音系统的持续投入，或许预示着更大的业务野心。据行业观察，该公司计划在今年年底前推出一款便携无屏幕智能音箱，完全依赖GPT-Live的语音交互，预计该设备将于2027年初上市。据报道，这款设备会随着使用时长不断熟悉用户习惯，实现高度个性化的交互体验，并调用比当前市面智能音箱更强大的AI模型。官方的语音交互战略成败，核心在于能否成功将语音打造为日常生产力的一等交互界面。

• 行业观察思考：任何参与过语音系统开发的团队，都曾花费多年时间处理轮次检测的痛点：调整静默阈值、设置缓冲时长、判断用户停顿是发言结束还是正在思考。全双工模式并不会让这类判断更准确，而是直接消除了这类猜测的必要——模型可以实时决定是继续发言、暂停等待，或是给出反馈语气词。不过，另一个不那么显眼的设计选择或许更具长期价值：由于对话层与推理层实现了解耦，GPT-Live可以无缝继承每一次前沿模型的升级，且无需在快速响应与深度思考之间做出妥协。全双工让语音对话更流畅自然，而任务委派则让对话具备了真正的深度与价值。