編按：本文綜合整理自 OpenAI 官方公告、VentureBeat 深度報導、9to5Mac，並加入 Siami 編輯部觀點與分析。
OpenAI 於 7 月 8 日正式推出 GPT-Live——新一代語音模型系列，採用「全雙工（full-duplex）」架構，讓模型能在說話的同時持續接收使用者的語音輸入。這次發表包含兩個版本：GPT-Live-1 與 GPT-Live-1 mini，自即日起在 iOS、Android 及 ChatGPT.com 全球同步上線，ChatGPT 付費用戶（Go、Plus、Pro 等級）將 GPT-Live-1 設為新預設語音模型，GPT-Live-1 mini 則服務免費用戶。OpenAI 也計畫將這兩個模型推向 API，開發者現可登記取得通知。
這是 ChatGPT 兩年來的第三代語音技術，也是 OpenAI 迄今最明確的宣示——要把聊天機器人從「查資料的工具」變成「像跟同事對話」的體驗。
全雙工語音為何改變 AI 對話的一切
GPT-Live 的核心技術突破是 OpenAI 稱為「全雙工架構（full-duplex architecture）」的設計。這個詞來自電信領域：電話雙方可以同時講話和聽對方說話。應用到 AI 上，代表模型能在生成語音回應的同時，持續處理使用者的語音輸入——不再需要等使用者講完一段話、出現一段乾淨的靜默，才知道該接話。
「GPT-Live 不再處理一連串分離的訊息，而是邊生成、邊接收輸入，」OpenAI 在研究部落格寫道。「模型因此得以每秒做出多次互動決策：何時開口、何時繼續聽、何時暫停、何時打斷、何時呼叫工具。」
實際使用上，這代表語音助理能在使用者還在講話時插入「嗯哼」、「對」、「了解」這類對話式回應；能在自然的停頓處接話，而不會搶拍；也能在被打斷時順暢調整，不會讓整段對話失控。OpenAI 自己在公告中也承認，先前於 2024 年 9 月推出的 Advanced Voice Mode 雖然能在單一模型中同時處理與生成音訊，但仍是「回合制」——因為以靜默判斷是否該接話，連短暫的停頓或背景噪音都可能誤觸，導致模型在奇怪的時機插話。
【官方影片】OpenAI 官方頻道發布的 GPT-Live 介紹影片，示範全雙工對話體驗。
為什麼這件事重要
對一般使用者來說，GPT-Live 看起來只是「ChatGPT 講話變得更自然」，但底層的工程意涵完全不同。先前的語音模型本質上是「把音訊轉文字、丟給文字模型、把回答轉成語音」的三段式管線，這個架構從一開始就有上限：使用者一定要講完一句話、模型才能開始回應，於是整段對話的延遲永遠壓不下來。GPT-Live 把「聽」與「說」做成同一個模型內部的兩個並行流，從訓練目標開始就讓模型學會「邊聽邊想、邊想邊說」，這是真正的端到端語音模型。
這個轉變的市場意義在於：語音不再只是文字助理的附加功能，而是 AI 的主要互動介面。OpenAI 自己也在公告中寫道：「我們相信這項研究最終將解鎖以語音執行越來越複雜、長時間、代理型工作的可能性。」當「請手機幫你訂機票、跟保險公司談判、除錯 production server」這些事都能用像跟助理講話一樣自然的方式完成時，文字輸入框的重要性就會快速下降。
對企業語音代理人市場（客服、行銷語音 bot、醫療掛號等）來說，影響更直接：全雙工是 table stakes，不是差異化。Google 的 Gemini Live、ByteDance 的 Seeduplex、Nvidia 的 PersonaPlex 早就在這條跑道上，OpenAI 的優勢在於既有 ChatGPT 用戶基數、GPT-5.5 的推理能力整合、以及 ChatGPT 生態系的整體厚度。
OpenAI 如何把「語音」與「智慧」分成兩層
GPT-Live 的另一個關鍵設計是「語音／智慧分離」。原本 Advanced Voice Mode 把語音理解、語音生成、語言推理全塞在單一模型裡，造成三大問題：每次回應都要重新編碼音訊、語音延遲高、模型調整（例如換聲音、優化口音）必須重新訓練整個模型。
新架構拆成兩層：
- 即時語音層（GPT-Live 即時處理）：負責聽使用者說話、同步產生語音回應、處理「嗯哼」、「停頓」、「打斷」這類低階對話節奏。這個層的訓練重點是「自然對話」，不是「回答內容正確」。
- 智慧推理層（GPT-5.5 等高階模型）：負責理解使用者真正想問什麼、查資料、規劃多步驟任務。這個層只跟語音層交換文字訊息，不碰音訊。
這樣拆開有兩個好處：第一，未來想換聲音、加新口音、優化對話節奏，只需要重新訓練語音層，GPT-5.5 不必動；第二，語音延遲大幅下降，因為即時層不需要等完整推理結果，能先發出「嗯讓我想想」這類填充音，再把真正的答案接上去。
VentureBeat 取得的內部測試數據顯示，GPT-Live-1 在多項語音品質指標上明顯優於前代：自然度（naturalness）從 0.81 提升到 0.94、聽感延遲感（perceived latency）從 1.8 秒降到 0.6 秒。這個 0.6 秒的數字是關鍵——人類日常對話的「輪替間隔」大約 0.2-0.5 秒，0.6 秒已經逼近真人對話的水準。
數據解讀與質疑
這次發表的數字漂亮，但有幾個地方值得質疑：
-
沒有公開第三方獨立 benchmark：OpenAI 自己公告的「對齊分數」、「安全分數」全部是內部評估。VentureBeat 文中提到，GPT-Live-1 在 self-harm 場景從 0.72 升到 0.98、hate speech 達到完美 1.00，但這些是 OpenAI 自己的評估方式（refusal-based scoring），不代表真實使用情境的表現。真正能檢驗 GPT-Live 的是上線後幾週的第三方 red team 報告。
-
情感依賴分數反而下降：在 production-prompt 評估中，GPT-Live-1 的「emotional reliance」分數從 0.88 降到 0.82。OpenAI 說這個變化在統計上不顯著，但趨勢值得注意——全雙工對話越自然，使用者越容易把它當成「朋友」而非工具，這是 OpenAI 自己也承認的「long-term measurement and post-launch monitoring focused on emotional reliance」監控對象。
-
語言支援仍有限：OpenAI 在公告中坦承，「部分語言可能會有非母語口音或流暢度落差」，這對中文使用者尤其關鍵。GPT-Live-1 的訓練語料以英文為主，繁體中文、粵語、閩南語、客家話的表現要等實際上線後才能驗證。
-
不支援影音螢幕共享：對比 Google Gemini Live 已支援攝影機與螢幕共享（GPT-Live 顯然沒在首發版本提供這個能力），企業場景的應用會受限。
-
API 沒同步上線：開發者「先登記、後通知」這個策略，讓 OpenAI 在企業語音代理人市場的推進速度會比 Google、ElevenLabs、Deepgram 慢一拍。
Google、ByteDance、Nvidia 早就在全雙工跑道上
OpenAI 在打磨安全護欄的同時，對手也沒閒著：
- Google Gemini Live 早在 Gemini App 上線，支援全雙工對話加上攝影機、螢幕共享（GPT-Live 沒有的功能）。Google 在 2026 年 3 月推出 Gemini 3.1 Flash Live，主打低延遲開發者語音應用。
- ByteDance Seeduplex（2026 年 4 月）號稱是第一個大規模商轉的全雙工語音 AI，部署在自家豆包（Doubao）App 中。官方數據顯示，相較前代半雙工系統，誤回應與誤打斷率降低約 50%。
- Nvidia PersonaPlex（2026 年 1 月）主打可自訂聲音與角色控制，打破過去「自然語音模型只能鎖死一種聲音」的限制。
競爭態勢很清楚：全雙工語音互動正快速成為消費型 AI 產品的入場券，而非差異化武器。OpenAI 的優勢在於既有用戶規模、與 GPT-5.5 推理能力的整合、ChatGPT 生態系整體厚度，但「某一家公司壟斷自然語音 AI」的窗口早已關閉。
Siami 觀點：聊天框的終點可能比想像中更近
GPT-Live 本質上是 OpenAI 迄今最大的一次「把語音當 AI 主要介面」的押注——不是文字聊天機器人加掛的便利功能，而是專門打造、坐在使用者與公司最強模型之間的「互動層」。
兩年前，跟 ChatGPT 講話意味著對著麥克風口述、然後等將近兩秒才收到一個生硬的回應。一年前，代表一個稍微流暢的交換，但感覺像「跟某個堅持等你講完每個句子才開口的、禮貌但有點尷尬的電話對象」。今天，GPT-Live 讓這件事接近真正對話——仍有缺陷、某些語言仍受限、影音功能也還沒到位，但已明顯更接近。
OpenAI 過去曾因為想重現電影《雲端情人（Her）》而惹出爭議。隨著 GPT-Live 上線，公司終於要面對電影裡那個更難回答的問題——不是「AI 能不能模仿到讓人想跟它說話」，而是「當它真的做到了，會對我們產生什麼影響」。
編按：Siami 會持續追蹤 GPT-Live 上線後的第三方評測、企業導入案例，以及對中文（繁體中文、粵語、閩南語）的實際表現。下次更新預計 7 月中旬。
網友熱門留言 (4)