OpenAI发布GPT-Live和GPT-Live-1 mini：全双工语音模型，将深层推理委托给GPT-5.5

OpenAI今日发布了GPT-Live，这是一款新一代语音模型系列，现已为ChatGPT语音体验提供支持。其目标是与AI实现自然、实时的对话。首批推出的两个版本是GPT-Live-1和GPT-Live-1 mini，即日起面向全球ChatGPT用户推出。

GPT-Live基于全双工架构构建，这意味着模型可以同时进行听和说。在对话过程中，它可以添加诸如“嗯”或“是的”之类的简短回应，进行快速的来回交流，或者在您思考时保持安静。对于需要网络搜索、深度推理或复杂工作的任务，GPT-Live会将其委托给后台的前沿模型处理，并在准备好时将结果返回对话。目前，这个后台模型是GPT-5.5。在前沿模型工作期间，GPT-Live保持对话继续。

早期的语音系统在向自然对话迈进时存在权衡。级联语音系统每轮对话需要串联三个独立模型：语音转文字、大语言模型和文字转语音。这虽然让人们首次能够与前沿模型对话，但信息可能在模型间丢失，响应缓慢且生硬。基于轮次的语音模型，如ChatGPT高级语音模式，在单一模型内处理音频，减少了延迟并使对话更流畅，但仍需等待用户停止说话，基于静音检测轮次，容易因短暂停顿或背景噪音导致不自然的打断。

GPT-Live通过两个架构变化解决了这些限制：连续的全双工处理使模型能在生成输出的同时处理输入，每秒多次做出交互决策，包括说话、继续听、暂停、打断或调用工具。这支持更自然的来回交流和更好的时间感，还能实现实时翻译。其次，通过将连续交互与深度推理解耦，GPT-Live在需要搜索、推理或更复杂的代理能力时委托给其他模型，如GPT-5.5，在后台处理，同时保持对话流畅。这种设计还让GPT-Live能够随着新前沿模型的发布而采用它们。

OpenAI构建了新的人类评估，用于衡量愉悦度和对话流畅度。评估者在匹配的五到十分钟对话中比较模型。在这些头对头测试中，GPT-Live-1和GPT-Live-1 mini被强烈偏好于高级语音模式。在自动化基准测试中，GPT-Live-1在GPQA（专家级科学推理）、BrowseComp（代理式网络搜索）和τ³-Voice Telecom（多轮电信支持任务）上均优于高级语音模式。

GPT-Live的用例包括免提帮助、语言练习、实时翻译、移动中的研究、支持工作流以及视觉查询（如天气、股票、体育卡片）。API尚未开放，但OpenAI提供了架构的教学模拟。

ChatGPT语音体验的变化：超过1.5亿用户每周使用ChatGPT语音和听写。现在点击语音按钮即可使用GPT-Live体验。对话支持打断、暂停和请求放慢。模型会通过“嗯”或“知道了”等提示确认。OpenAI为GPT-Live重新制作了九种不同的声音。您可以选择推理级别：即时、中等或高。更好的聆听意味着它会在您停顿时等待，而不是跳入。在嘈杂环境中也更专注。语音现在可以显示天气、股票和体育的视觉卡片。仍然支持搜索、记忆、图像和文件上传。