北京
Jay 發自 凹非寺
量子位 | 公眾號 QbitAI
同聲傳譯，這下可能是真寄了啊……
剛剛，OpenAI發布了GPT-Live，語音交互迎來了一次質的飛躍。
真·一句話說完，瞬間翻譯。
倆老太太也是角色扮演上了。
這效果，說實話，比去年AirPods Pro 3宣傳片里畫的餅強太多了。
Apple Intelligence你慢慢上線吧，我等OpenAI自己出硬件了（doge）。
更重要的是推理+搜索能力的提升。
老太太把GPT當Google使，一會兒問天氣，一會兒考歷史，你來我往跟抬杠大賽似的。
而且全是有效信息，AI終于不再用一堆車轱轆話敷衍你了。
除此之外，官方還一次性放出了一堆demo。
廚房場景：不用再對著空氣大喊Siri了。GPT可以邊一步步指導你烹飪，邊幫你計時，真正解放雙手。
面試復盤：智能水平大幅提升，AI幫你復盤面試表現，甚至現場教你如何談薪資。
甚至，OpenAI昨晚還開了一場直播進行現場演示，也是很自信了。。。
感興趣的可以到官網查看更多demo。
OpenAI透露，每周有1.5億人在和ChatGPT對話。而現在，你手機上的那個白色軟件，要變成可隨時煲電話粥的「真人」了。
真·美國版豆包（bushi）。
全新的ChatGPT語音體驗
總結一下，新的語音模式主要有三點改進。
1、更自然的對話。
以前和AI語音聊天，最怕的就是「搶麥」。現在，你可以隨時插話、停下來思考。
當你說話時，它還會時不時發出「嗯、對」這種簡短的回應，讓你知道它在聽。
在抗噪方面也做了優化，面對馬路上的車流聲或旁邊的閑聊，它能更精準地聚焦你的聲音。
但關于這一點，評論區有不同聲音，不少網友表示，雖然更流暢了，但也老是裝作「松弛」地打斷用戶。
可能還是需要視覺信息吧，畢竟即便是人在開騰訊會議時，也會經常出現互相打斷的情況，微表情還是很重要的上下文。
對了，「聲優」們也升級了，OpenAI這次特意為GPT-Live重新打磨了ChatGPT里的9種默認音色。
2、更聰明的回答。
以前的語音模式，往往調用的是相對較弱的模型，但這次，ChatGPT Voice接入了GPT-5.5。
還支持自定義推理強度：
- Instant：適合查天氣、閑聊等快問快答，主打秒回。
- Medium / High：適合需要深度思考的復雜問題。
3、可視化對話。
邊聽邊看，體驗拉滿。
在語音對話中，ChatGPT 可以實時彈出天氣、股票、體育賽事等主題的可視化卡片，不用你再切回屏幕去干看文字。
此外，語音通話現在全面支持聯網搜索、記憶功能、圖片識別和文件上傳。
這意味著，語音不再是一個獨立的「閹割模式」，而是正式成為了ChatGPT全套能力的統一交互入口。
全新的AI交互范式
如果你用過之前的ChatGPT語音模式，大概率會有這種感覺：
剛上手很驚艷，用久了就發現——完全是雞肋啊！！
你說一句，它頓一下再回你；你再說，它再回。永遠有一種回合感。還特別喜歡反問，動不動就「還有什么我可以幫你的嗎？」
為什么會這樣？
最早期的ChatGPT Voice，本質上是三個模型在接力跑：
1、先把你的語音轉成文字（ASR）
2、再把文字喂給大語言模型生成回復（LLM）
3、最后把文字轉成語音讀出來（TTS）
三個模型串聯，每一步都有延遲，每一步都在丟信息。你說話時的語氣、停頓、情緒，在第一關語音轉文字時就被抹平了。
上下文不夠，自然會有問題。
后來OpenAI搞了Advanced Voice Mode，把音頻處理和音頻生成塞進了同一個模型里，做成端到端，延遲確實降了不少，對話也順滑了一些。
但它骨子里還是「輪次式」的。通過檢測「沉默」來判斷你是不是講完了。所以你稍微停頓想個詞，或者旁邊有人咳了一聲，它就可能覺得「好，輪到我發言了」，直接搶麥。
GPT-Live這次在兩個地方動了刀子。
1、全雙工架構：邊說邊聽
在說話的同時，還在聽你在說什么。
GPT-Live不再只處理一個個分開的消息序列，而是在生成輸出的同時持續處理輸入。因此，模型可以在一秒內多次判斷互動策略。
這讓對話終于有了真正的「來回感」，時間感知更精準，也天然支持了實時翻譯等需要極低延遲的場景。
2、深度任務委托：前臺陪聊，后臺干活
本質上就是個路由。
GPT-Live 負責前臺的連續語音交互，保持對話流暢不卡頓；
但當你問的問題需要聯網搜索、深度推理或更復雜的代理能力時，它會悄悄把任務委托給GPT-5.5這樣的重型模型在后臺處理。
這樣一來，即使后臺正在處理多個復雜任務，前臺的語音對話也完全不會中斷。
最終效果在Benchmark上也有體現。
OpenAI專門為GPT-Live建立了一套新的人工評測體系，核心就衡量兩個指標：愉悅感和對話絲滑程度。
結果顯示，在「像不像真人聊天」這件事上，GPT-Live確實做的不錯。
至于推理和搜索能力，則更是薄紗之前的AVM了。尤其是Agentic Search這一塊，官方數據說直接提升了100倍……
其他細節就不展開了，數據大家看看就行，Demo才是最有說服力的。
OMT
《Her》里的那個場景，可能比所有人想象的要來得更快。
從鍵盤到鼠標，從觸屏到語音助手，每一次交互方式的改變，都重新定義了什么是「用電腦」。
但之前的語音交互，說到底還是命令式的。你跟Siri說「設個鬧鐘」「放首歌」，是在對機器下指令。
GPT-Live讓我第一次覺得，跟AI說話這件事，從「使用工具」變成了「跟一個人交流」。
未來，你手機右下角那個語音通話按鈕，可能會變成你最常用的入口。
參考鏈接：
[1]https://openai.com/index/introducing-gpt-live/
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
