OpenAI 重构 ChatGPT 语音技术栈，实现全双工 GPT-Live 对话

OpenAI 推出了新一代语音模型 GPT-Live-1，通过支持同时听和说，彻底重构了 ChatGPT 的对话界面，从而有效地超越了传统的回合制交互。该公司宣布，自 2026 年 7 月 8 日起在全球范围内推出 GPT-Live-1，以取代此前的“高级语音模式”（Advanced Voice Mode）。这一重大的架构变革使 ChatGPT 能够保持连续的音频流，在不打断人类对话自然节奏的前提下，融入更深层次的推理和工具调用。

其核心创新在于历时六个月研发并完全重构的语音技术栈，它允许 AI 在处理输入音频的同时生成输出语音，即所谓的“全双工”（full-duplex）通信能力。这一改进旨在让用户与 ChatGPT Voice 的交互感觉更加即时、流畅且更像人类之间的交流。

一、利用全双工架构消除回合制交互

上一代 ChatGPT Voice 采用回合制系统运行，依赖“轮流检测器”（turn detectors）来判断用户何时结束说话，随后 AI 才会生成回复。这导致了固有折中：检测过早可能会打断用户，而检测过晚则会带来尴尬的停顿，导致对话显得不自然。

GPT-Live-1 通过将轮流检测器从音频路径中完全移除解决了这一问题，转而采用全双工语音模型，持续处理输入的语音并生成输出音频。这使得该模型能够每秒进行多次实时决策，以确定是说话、倾听、暂停甚至打断，从而模拟人类的对话动态。据 OpenAI 介绍，该架构现在可以处理诸如“嗯哼”（mhmm）或“知道了”（got it）等自然的对话信号，以表明其正在参与互动。

二、语音技术栈与任务委派的技术进步

GPT-Live 的根本性转变涉及对 OpenAI 语音技术栈的全面重构，从客户端设备一直延伸到底层模型。工程师 Justin Uberti 和 Zahan Malkani 领导了这项历时六个月的研发工作，并于 2026 年 8 月 3 日详细介绍了其技术概览。该系统的一个关键组成部分是使用 WebRTC（一种低延迟音频和视频的标准）作为其传输基础。

新架构建立了一条专用于实时语音的“快速通道”，确保音频流不间断。至关重要的一点是，当对话需要更密集的处理时——例如更深层次的推理、复杂的工具使用或网页搜索——GPT-Live 可以将这些任务异步委派给在后台运行的强大前沿模型（如 GPT-5.5）。这种并行处理确保了 AI 能够在不中断当前语音交流的情况下执行复杂操作，并将检索结果无缝融合回对话中。

此次技术重构还显著提升了系统响应性能。OpenAI 将语音会话的启动时间从六次网络往返（round trips）缩短至仅一次，进一步增强了交互的即时性。

三、增强的用户体验与更广泛的能力

向全双工、连续对话模型的转变从根本上改变了用户体验。现在，用户可以进行更流畅的交流，而不是“说话、等待、接收回答”的死板模式。用户可以随时打断 AI、停下来思考或在 AI 说话时重叠发声，而不会破坏交互。这使得与 ChatGPT 的语音交互感觉更加自然，不再像使用对讲机那样一问一答。

GPT-Live-1 在基准测试性能上表现出显著提升。在研究生水平的科学推理基准测试 GPQA 上，GPT-Live-1 达到了 84.2% 的准确率，相较其前身高级语音模式（Advanced Voice Mode）取得的 45.3% 几乎翻了一番。此外，在 BrowseComp 测试的基于智能体（agent-based）的网页搜索能力中，GPT-Live-1 得分为 75.2%，而高级语音模式仅为 0.7%，这体现了它在对话期间进行实时研究的能力。

除了对话的流畅性外，新架构还支撑着不断扩展的功能。它能在连续的交互循环中实现实时翻译，允许用户使用一种语言说话，并由 ChatGPT 以极低的延迟进行翻译。该架构还支持智能体协同，包括在 ChatGPT 桌面应用程序中通过语音控制电脑和协调多个智能体。

四、可用性与 API 接入

GPT-Live-1 目前已成为 ChatGPT Go、Plus 和 Pro 订阅用户的默认语音体验，而轻量版本 GPT-Live-1 mini 则面向免费层级用户开放。这种分层可用性表明，OpenAI 将更低的延迟和更强的响应能力视为其付费产品的重要差异化卖点。

针对开发者和企业客户，OpenAI 已宣布 GPT-Live 的 API 接入“即将推出”。有意向的用户可以通过 OpenAI 的官方表单进行注册，以便在服务可用时收到通知。此前，该公司曾于 2026 年 7 月 6 日在 API 中发布了 GPT-Realtime-2.1 语音模型，这表明其实时交互能力处于活跃的开发管线中。据 OpenAI 报告，每周有超过 1.5 亿人使用 ChatGPT 的语音和听写功能，这凸显了这些架构进步的规模和影响。

常见问题

什么是 GPT-Live？

GPT-Live 是 OpenAI 推出的新一代全双工语音模型系列，允许 ChatGPT 同时进行倾听和说话，从而实现更自然、连续且无中断的对话。

GPT-Live 与之前的 ChatGPT 语音模式有何不同？

与以往等待用户说完后才做出响应的回合制系统不同，GPT-Live 采用全双工架构，在生成输出语音的同时处理输入音频，使交互更加流畅、更像人类之间的交流。

哪些技术变革实现了这种连续对话？

OpenAI 彻底重构了从客户端到模型的整个语音技术栈，移除了“轮流检测器”，并实现了一个持续流式传输音频的系统。它还将深层推理和工具调用委派给后台模型（如 GPT-5.5），从而确保对话流程不受干扰。

谁可以体验 GPT-Live？

GPT-Live-1 目前对 ChatGPT Go、Plus 和 Pro 订阅用户开放，而 GPT-Live-1 mini 则提供给免费层级用户。针对开发者和企业的 API 接入预计将在未来推出。

GPT-Live 带来哪些实际的好处？

除了更自然的交互外，GPT-Live 还实现了实时翻译、更好地处理打断与停顿，以及让 AI 能够在后台执行网页搜索或工具调用等复杂任务，而不会破坏对话流。

参考来源

* OpenAI 推出 GPT-Live-1，一款可同时听说的全双工语音模型 - MLQ.ai * 我们如何用六个月时间构建起一个高响应性语音 AI 实时系统 | OpenAI * ChatGPT Live 与语音 AI 的新架构 - RisingStack 博客 * OpenAI 重构 ChatGPT 语音技术栈，使 GPT-Live 能够边听边说 - RuntimeWire * 随着 AI 语音技术取得重大突破，OpenAI 推出 GPT-Live | Next in AI | Astha La Vista * OpenAI 推出 GPT-Live 全双工语音模型 - SQ Magazine * OpenAI 发布关于 GPT-Live 语音架构的动态 - Digg * GPT-Live 与 ChatGPT Voice：全双工指南 - Flowith 博客 * ChatGPT 的新语音模型可以同时“听”和“说” - CNET * OpenAI 重构语音技术栈以在 ChatGPT 中实现连续对话 - Yellow.com * OpenAI 终于解决了 AI 语音通话的最大痛点：方法如下 - Android Headlines * 实时语音 AI 迎来重大升级：OpenAI 的同步语音模型已面世 | NameOcean * OpenAI 发布关于 GPT-Live 语音架构的动态 - Digg * 介绍 GPT-Live，用于自然人机交互的新一代语音模型。即日起在 ChatGPT 中推出。GPT-Live 让与 AI 对话感觉就像进行真实的交谈 | OpenAI - Facebook * [X 帖子] https://x.com/OpenAI/status/2084378415818579975