GPT-Live實(shí)測：語音交互追上了豆包、Gemini，這幾點(diǎn)更強(qiáng)了

ChatGPT 的語音模式，補(bǔ)上了遲到的一課。

北京時間今天凌晨（7 月 9 日），OpenAI 推出了新一代的實(shí)時語音模型 GPT-Live，并開始逐步接管 ChatGPT 里的語音模式。付費(fèi)用戶已經(jīng)可以使用 GPT-Live-1，免費(fèi)用戶則使用能力稍弱的 GPT-Live-1 mini。

而這次升級最重要的變化，是換上了「邊聽邊說」的全雙工語音架構(gòu)。

圖片來源：雷科技

簡單來說，過去 AI 語音交互更像是在用對講機(jī)。用戶說完一句，系統(tǒng)判斷這一輪輸入結(jié)束，再開始理解和回答。即便之前采用半雙工語音架構(gòu)的 ChatGPT「高級」語音模式已經(jīng)支持中途打斷，也依然沒有完全擺脫一問一答的輪次結(jié)構(gòu)。

但新版搭載 GPT-Live 的 ChatGPT 語音模式，可以在說話的同時持續(xù)聽取用戶輸入。你可以隨時插話，它也能根據(jù)停頓、語速和上下文，決定繼續(xù)說、停下來，還是再等你一會。在長對話中 GPT-Live 也會用「嗯」「明白」一類短促反饋，表示自己還在聽。

聽起來很先進(jìn)。不過放到整個行業(yè)里看，OpenAI 其實(shí)來得有點(diǎn)晚。不管是今年 3 月推出的 Gemini 3.1 Flash Live——用在 Gemini Live，還是 4 月字節(jié)跳動推出的原生全雙工模型 Seeduplex——用到了豆包的語音通話模式中，都通過端到端實(shí)現(xiàn)真正的「邊聽邊說」。

不過，GPT-Live 的出現(xiàn)，至少意味著 ChatGPT 在架構(gòu)上終于追上了兩位主要對手。而且實(shí)際用下來，三者也有明顯的不同，豆包最懂中文用戶怎么說話，Gemini 更在意 AI 能否看到周圍世界，GPT-Live 則把大量精力放到了另一件事上：怎么讓 AI 一邊和人自然聊天，一邊搜索、推理。

這是豆包之前就想做的。

邊聽邊說、會等你、會思考，GPT-Live追求更自然的語音交互

先不急著拷問 ChatGPT。

打開 ChatGPT 的語音模式后，你大概就能在左上角看到新版用上 GPT-Live 模型的「Live」，而之前的高級和標(biāo)準(zhǔn)版則被歸類為「舊版」。同時在語音模式的配置界面，還能看到「智能」的調(diào)節(jié)選項(xiàng)，直接對應(yīng)了 GPT-5.5 即時、中等、高的三檔智能水平。

圖片來源：雷科技

沒錯，除了實(shí)現(xiàn)全雙工語音架構(gòu)，讓 AI 實(shí)現(xiàn)真正的邊聽邊說的「全雙工」交流，GPT-Live 另一個很大的不同和升級，則是同時做到了把思考「外包」給 GPT-5.5。

簡單來說，你可以把這種設(shè)計(jì)理解為「交互」和「思考」拆開，雖然 GPT-Live 也有一定的智能，但遇到搜索、復(fù)雜推理或 Agent 任務(wù)時，它可以在后臺直接把工作交給 GPT-5.5 進(jìn)行完成。

舉個實(shí)際使用中的例子，在簡單聽了它自己對 GPT-Live 的介紹，隨后我問了它（GPT-Live）與豆包、Gemini 在語音實(shí)時交互上的不同。

GPT-Live 沒有給出幾個產(chǎn)品和模型之間寬泛的區(qū)別，而是會從豆包在抗噪、低延遲等方面的技術(shù)講到產(chǎn)品定位更強(qiáng)調(diào)語音交互本身的體驗(yàn)；從 Gemini 多模態(tài)實(shí)時交互的模型設(shè)計(jì)，講到 Google 更看好統(tǒng)一的音視頻實(shí)時交互。

內(nèi)容比較具體，很少出現(xiàn)那種聽上去什么都說了，實(shí)際沒有回答問題的空話，同時聯(lián)網(wǎng)信息也比較準(zhǔn)確，知道豆包、Gemini 更早時候就支持了全雙工語音。

左為豆包打電話，右為 Gemini Live，圖片來源：雷科技

相比之下，豆包語音更傾向于給出短答案。即便明確要求它展開講講，回答通常也不會拉得太長。這當(dāng)然不能全部歸結(jié)為模型能力，還可能是一種主動「約束」：豆包希望電話模式始終保持輕量，盡量接近普通人打電話聊天，滿足日常情緒價值。

當(dāng)然，GPT-Live 的聰明，實(shí)際還要?dú)w功于背后的 GPT-5.5。在具體的設(shè)計(jì)中，GPT-Live 不僅支持智能調(diào)度不同推理強(qiáng)度的 GPT-5.5，也支持手動配置默認(rèn)推理強(qiáng)度，比如選擇即時模式會默認(rèn)調(diào)用 GPT-5.5 即時，「中等」和「高」則會默認(rèn)調(diào)用不同推理強(qiáng)度的 GPT-5.5 Thinking。

圖片來源：OpenAI

這種設(shè)計(jì)對用戶來說，直接拉高了實(shí)時語音對話中 AI 的智能水平。

畢竟誰也不想「對牛彈琴」。過去人類被 AI 語音助手「氣瘋」 的例子就不少，今天大模型大幅提高了 AI 的自然語言理解能力和智能水平，但不同于基于文本的語音消息對話——將人類語音轉(zhuǎn)錄成文本、將 AI 輸出文本轉(zhuǎn)成自然語音，實(shí)時語音對話往往會犧牲 AI 的智能水平，AI 有時候的回應(yīng)仍然會氣死人。

所以，如果說豆包升級 Seeduplex 后實(shí)現(xiàn)了「邊聽邊說」，GPT-Live 更接近「邊聽邊說邊思考」。實(shí)際上，豆包 Seeduplex 發(fā)布時就展望了未來的突破方向，其中一點(diǎn)就包括：

「實(shí)現(xiàn)感知、思考、輸出一體化，進(jìn)一步探索『邊聽邊想』、『邊聽邊搜』等方案，讓模型具備更深度的思考和執(zhí)行能力，繼續(xù)提升語音交互的流暢度。」

不只是在搜索、思考上，GPT-Live 實(shí)時語音交互實(shí)際上還優(yōu)化了對話節(jié)奏。我說到一半卡住，思考接下來該怎么表達(dá)時，它也不是馬上把對話接過去，而是先安靜等待一會，不行再詢問。這是一個很小的細(xì)節(jié)，卻也在一定程度上決定了語音交互體驗(yàn)的「自然」。

事實(shí)上，我們實(shí)際在說話的時候，經(jīng)常也會停下來想一想。過去的語音模型很容易把停頓當(dāng)成一句話結(jié)束，于是用戶只是吸了一口氣，AI 已經(jīng)迫不及待開始回答。豆包 Seeduplex 雖然宣稱也改進(jìn)了這一點(diǎn)，但實(shí)際來看還是更容易搶話。

不過說實(shí)話，我大概率還不會成為 ChatGPT 語音模式的忠實(shí)用戶。

一方面相比英文發(fā)音，ChatGPT 的中文發(fā)音和你豆姐的「桃子音」還是差太遠(yuǎn)，這次升級也沒有變化，還是更接近外國人說中文，多少有些別扭。

還有一個問題是，GPT-Live 在回答時，偶爾會出現(xiàn)明顯的「卡殼」。結(jié)合文本輸出的情況來看，大概率是 GPT-5.5 生成文本時會實(shí)時調(diào)整輸出，放到屏幕上只是文字輕微變化，變成連續(xù)語音后，就會表現(xiàn)成停頓或者不自然的轉(zhuǎn)折。

圖片來源：雷科技

OpenAI 沒有解釋這種現(xiàn)象是否來自 GPT-Live 和 GPT-5.5 之間的協(xié)作，但從體驗(yàn)來看，兩層模型的分工在帶來更強(qiáng)能力的同時，也可能增加語音輸出的復(fù)雜度。至少目前，GPT-Live 偶爾還會露出一點(diǎn)痕跡。

AI 都追求「邊說邊聽」，但想的卻不是一件事

邊說邊聽的全雙工架構(gòu)，是 AI 語音交互的必經(jīng)之路，這一點(diǎn)毋庸置疑。

過去的我們都經(jīng)歷過「反人類」的語音交互：用戶說完，AI 才開始想；AI 開口，用戶最好先別說。真正自然的交流沒有這么規(guī)整，人會猶豫、停頓、改口，也會在對方說話時用一句「嗯」表示自己還在聽。AI 想成為一個可以長期交流的對象，得先適應(yīng)這種連續(xù)、混亂，甚至有點(diǎn)含糊的對話。

在這一點(diǎn)上，豆包、Gemini 和 GPT-Live 已經(jīng)走到了同一個方向，模型可以一邊輸出語音，一邊繼續(xù)接收用戶輸入。用戶不用等 AI 把整段話說完，也不用每次都明確結(jié)束一輪對話。

但「邊聽邊說」只是起點(diǎn)，具體怎么聽、怎么說，以及聽到之后能做什么，三家現(xiàn)階段給出的答案有很大區(qū)別。

圖片來源：OpenAI

豆包 Seeduplex 發(fā)布之時，字節(jié)當(dāng)時花了很多篇幅講搶話、誤打斷、背景人聲和停頓判斷。這些問題看起來很瑣碎，卻恰恰決定了電話模式像不像真的在和人說話。

比如用戶停頓兩秒，可能是在思考，也可能已經(jīng)說完。旁邊同事講了一句話，可能是在和用戶交流，也可能只是無關(guān)閑聊。所以它的優(yōu)勢也很直接，豆包在中文環(huán)境下對口語節(jié)奏、含糊表達(dá)和背景干擾的處理依然是三者中最穩(wěn)的。

另一廂，Google 很早就把 Gemini Live 放進(jìn)實(shí)時多模態(tài)的統(tǒng)一框架里，支持聲音、攝像頭畫面、屏幕內(nèi)容和文本輸入，并不是幾套臨時拼起來的功能，而是同一段連續(xù)上下文中的不同信息。用戶可以一邊拍攝眼前的物體，一邊追問怎么使用；也可以共享手機(jī)屏幕，讓 Gemini 理解應(yīng)用界面或者網(wǎng)頁內(nèi)容。

這套路線更強(qiáng)調(diào)統(tǒng)一感知。Google 想解決的，是讓 AI 真正知道用戶正在看什么、屏幕上發(fā)生了什么，以及環(huán)境里的聲音是否值得回應(yīng)，語音在這里更多是實(shí)時多模態(tài)助手的一部分，或者說一種交互方式。

說到這里，GPT-Live 首發(fā)暫不支持視頻通話，想用視頻還得切回舊的語音模型，而 Gemini 從一開始就把「聽」和「看」統(tǒng)一在一個 Live 模型里。

不過，現(xiàn)階段的模型統(tǒng)一，不意味著每一項(xiàng)體驗(yàn)都更好。至少在中文甚至多語言下，Gemini 實(shí)在差強(qiáng)人意，中文識別較差不說，有時候還會突然識別成其他語言。

我的普通話不至于吧，圖片來源：雷科技

GPT-Live 則把重點(diǎn)放到了另一個問題上：AI 邊聽邊說的時候，同時認(rèn)真思考。這也是豆包發(fā)布 Seeduplex 時已經(jīng)提到的下一步。

GPT-Live 沒有強(qiáng)求一個實(shí)時語音模型包攬所有工作，而是采用了更靈活的架構(gòu)設(shè)計(jì)，用今天最聰明的模型之一—— GPT-5.5 應(yīng)對實(shí)時語音交互中更復(fù)雜的意圖、需求和任務(wù)。

所以在實(shí)際體驗(yàn)中，GPT-Live 的回答明顯更完整，在不破壞對話節(jié)奏的情況下，從多個層面分析問題，也能更好地處理更長、更復(fù)雜的追問。

不同的做法和思路，也反映在產(chǎn)品定位和交互設(shè)計(jì)上。Gemini Live 的通話和屏幕共享不是附加功能，而是整個交互的核心。它適合用戶舉著手機(jī)邊看邊問，也很符合 Google 對手機(jī)、眼鏡、汽車和智能家居入口的長期想象。

而豆包的入口就叫「打電話」，界面、語氣和回答長度都在盡量靠近普通電話。它通常不會連續(xù)講很長時間，即便用戶要求展開，回答也會保持相對克制。

ChatGPT 的設(shè)計(jì)則更接近一個完整 AI 工作臺的語音界面。用戶可以在同一段對話里從閑聊轉(zhuǎn)向搜索，從簡單問答轉(zhuǎn)向文件分析，也可以繼續(xù)要求模型深入推理。語音沒有被限制在一個獨(dú)立的電話模式里，而是要連接 ChatGPT 已經(jīng)具備的整套能力。

三家都在追求自然，但對通往「自然」的想法和節(jié)奏并不完全一樣。

ChatGPT架構(gòu)看齊豆包/Gemini，體驗(yàn)不分仲伯

所以，ChatGPT 終于追上豆包和 Gemini 了嗎？

架構(gòu)上，答案基本是肯定的。GPT-Live 補(bǔ)上了原生全雙工語音能力，可以持續(xù)傾聽、處理中斷，也開始更準(zhǔn)確地理解停頓。過去 ChatGPT 高級語音模式與豆包 Seeduplex、Gemini Live 之間那條明顯的架構(gòu)差距，已經(jīng)不存在了。

體驗(yàn)上，卻很難簡單排出一個先后。想要最自然的中文發(fā)音、最穩(wěn)的復(fù)雜環(huán)境識別，豆包依然更好；需要邊看邊聊、共享攝像頭和屏幕，Gemini Live 的優(yōu)勢最明顯；想通過語音深入討論一個問題，甚至繼續(xù)搜索、推理和執(zhí)行任務(wù)，GPT-Live 已經(jīng)開始領(lǐng)先。

三家最后大概率會逐漸補(bǔ)齊彼此的能力。豆包會加入更深的推理和視覺，GPT-Live 會重新接回視頻，Gemini 也會繼續(xù)加強(qiáng) Live 模型與通用 Agent 之間的配合。

可以相信的是，AI 語音交互的體驗(yàn)會越來越好，一個「說話」而非「手指操作」為主要人機(jī)交互方式的未來，也會越來越近。