OpenAI 发布 GPT-Live 全双工语音模型，ChatGPT 终于学会边听边说、自然附和与适时沉默，替换原 Advanced Voice Mode。
OpenAI 发布 GPT-Live 全双工语音模型，ChatGPT 终于学会边听边说、自然附和与适时沉默，替换原 Advanced Voice Mode。
Anthropic 推出面向科研的 AI 工作台 Claude Science，内置 60+ 技能、可复现。另有开源平替 OpenScience 支持 DeepSeek/GLM。
你跟 ChatGPT 语音聊天时一定踩过这个坑：话说到一半停下来想词，它以为你说完了，啪一下开始滔滔不绝；或者周围有车声人声，它分不清哪个是你的声音。2026 年 7 月 8 日，OpenAI 正式发布 GPT-Live 全双工语音模型家族，直接替换原有的 Advanced Voice Mode（高级语音模式）。现在 ChatGPT 终于能像真人一样——边听边说、自然附和、知道什么时候该闭嘴。如果你重度依赖语音跟 AI 交互，这次更新体感变化非常明显。
GPT-Live 是 OpenAI 推出的第三代语音模型，包含 GPT-Live-1（付费用户）和 GPT-Live-1 mini（免费用户）两个版本，已在全球 iOS、Android 和 ChatGPT.com 上线推送。
它的核心突破是全双工架构（full-duplex）：模型持续处理你的输入音频，同时生成自己的语音回应。OpenAI 在研究博客里这样解释——
"GPT-Live 持续处理输入并同时生成输出，模型每秒钟做几十次决策：该说话吗？该继续听吗？该暂停？该打断？还是该调用工具？"
理解 GPT-Live 牛在哪，先看过去两代有多笨。
三个模型接力赛——Whisper 把你的话转成文字，GPT-4 生成文字回复，再用 TTS 转成语音。每一步都丢信息，语气、停顿、情绪全在中间环节磨没了，延迟接近两秒。
Advanced Voice Mode 把三模型流水线压缩成单模型原生处理音频，快了很多。但致命伤是回合制：它必须等你说完才能开口，而判断"你说完没"的依据是沉默。你一停顿喘气，它就以为轮到自己了。
全双工让 ChatGPT 能在你说话时插入"嗯嗯""对""明白"这样的自然附和；你停下来想事情，它安静等着不抢话；你说"先别出声"，它真能闭嘴一直听，直到你喊唤醒词"Hey Chat"才重新加入。背景噪音下它也能分清哪个是你的声音。
GPT-Live 另一个关键架构变化是语音层与推理层解耦。
OpenAI 表示，未来发布更强的前沿模型时，会持续替换 GPT-Live 后台调用的模型，前台体验不用动。这是模块化设计——语音交互和推理能力可以独立升级。
基于全双工 + 前后台分工，GPT-Live 解锁了一批旧语音模式做不到的场景：
OpenAI 披露，目前每周有超过 1.5 亿人使用 ChatGPT 的语音和听写功能。
💡 提示：GPT-Live 上线时砍掉了视频/屏幕共享功能（旧版 Advanced Voice Mode 支持），官方说过几周补上。如果你依赖"边看摄像头边聊"的场景，暂时需等待。
API 暂未开放，开发者可报名等待通知。
第一，中文体验存疑。OpenAI 在发布会演示实时翻译时，翻出来的印地语被记者吐槽一股美国口音、像念课本。官方说优化了"大多数常用语言"，但没给名单，中文实际水平需自行实测。
第二，全双工赛道上 OpenAI 不算领先。Google 的 Gemini Live、字节的豆包 Seeduplex（4 月上线）、Nvidia 的 PersonaPlex（1 月上线）都已经支持全双工，且 Gemini Live 还支持摄像头/屏幕共享——这是 GPT-Live 当前缺失的。这次发布更多算"追平"，而非"领先"。
GPT-Live 的 system card 披露了针对实时语音场景的安全策略：使用真实用户语音样本（opt-in）和合成对抗性 prompt 进行评测，覆盖自伤、性内容、违法行为、情感依赖、心理健康、仇恨言论等类别。相比 Advanced Voice Mode，GPT-Live-1 在违法行为安全分从 0.63 提到 0.97，自伤从 0.72 提到 0.98，仇恨言论达到 1.00。
OpenAI 还特别强调"不做 AI 伴侣"，并表示会针对情感依赖做长期监测——因为越自然的对话，越容易让人上头。
