GPT-Live

GPT-Live 是 OpenAI 在 2026 年 7 月发布的一代语音模型，包含 GPT-Live-1 与 GPT-Live-1 mini。它在 ChatGPT Voice 中担当持续、自然的语音交互层：能一边听一边说，理解停顿、插话和说话节奏，并在需要时把搜索、深度推理或更复杂的 AI Agent（智能体）工作委派给后端前沿模型。它不是单一的通用推理模型，也不等同于一个开发者 API；发布时先面向 ChatGPT 推出，API 尚在计划中。

从轮次处理到持续交互

早期级联式语音系统把每一轮依次拆为语音转文字（STT）、语言模型、文字转语音（TTS）。这使模型能回答问题，却会在模型之间丢失部分信息，并形成明显等待。其后的 Advanced Voice Mode 已能端到端处理音频，但仍需借助静音判断“用户说完了”，所以短暂停顿、背景声或插话都容易造成不自然的抢话。

GPT-Live 的全双工架构则持续处理输入、持续生成输出；模型可在每秒内多次决定继续听、说话、暂停、打断或调用工具。重点不只是缩短首 token 延迟，而是把“是否轮到我说”也变成模型持续作出的交互决策。这使快速来回对话、主动倾听和实时翻译成为同一交互机制的结果。

flowchart LR
    U[用户连续语音] <--> L[GPT-Live 交互层]
    L --> D{需要深度工作？}
    D -->|否| R[继续聆听 / 自然回应]
    D -->|是| F[前沿模型：搜索 / 推理 / Agent]
    F --> L
    L --> R

交互层与能力层解耦

GPT-Live 把即时对话和耗时工作拆开：它在前台维持语音交流，同时可把困难问题交给另一模型处理，结果完成后再带回对话。发布时，Instant 配置及 GPT-Live-1 mini 的后端为 GPT-5.5 Instant；Medium 与 High 则使用不同推理力度的 GPT-5.5 Thinking。这个分层使语音体验能够随前沿模型更新而更新，而不用让高延迟的推理过程直接阻塞对话。

这种委派与 Agent Loop（智能体循环）中的“模型判断是否调用工具、运行时执行并回传观察”相似，但它首先服务于人机对话的连续性：GPT-Live 是面向用户的实时交互控制面，后端模型才执行搜索、推理或 Agent 任务。后端能力也不是 GPT-Live 自身无条件拥有的工具权限；系统卡说明，发布时其自身没有代码执行能力，也没有脱离委派模型的广泛工具访问。

ChatGPT 中的体验与边界

发布时 GPT-Live-1 面向 Go、Plus、Pro 用户成为 ChatGPT Voice 默认模型，GPT-Live-1 mini 面向免费用户。用户可以中断它、要求它放慢速度或安静聆听；ChatGPT 的九种声音也为该模型重新制作。语音界面还能把搜索、记忆、图片和文件上传结合进来，并在对话中显示天气预报、体育赛程、地图地点等可视卡片——这些卡片把需要扫读的数据保留在屏幕上，而不是强迫用户只靠语音记忆。

能力也有明确发布边界：部分语言可能仍带有非母语口音或不够流畅；初始版本不支持在 GPT-Live 中使用视频、屏幕共享。它们仍可通过旧版 Standard 或 Advanced Voice Mode 使用。文章称计划把模型带到 API，但这不是已经可依赖的 API 可用性承诺。

安全：在说话过程中介入

语音的风险不只发生在生成结束后：一次不当回复可能已经被完整说出。因此 GPT-Live 的保障措施以流式方式检查输入和输出；发现潜在不安全内容时，系统可以引导到更安全的回答、播报安全提示、在文字中提供支持资源，或在高风险情况下结束语音会话。自伤、精神病和躁狂、情感依赖、暴力、性内容，以及声音模仿/身份相关风险都纳入了专门的音频原生评测与红队测试。

系统卡还区分了本体和委派风险：不启用委派时，GPT-Live-1 与 mini 不被认为在生物化学、网络安全或 AI 自我改进三项追踪类别中达到 High；被委派任务则继承具体后端模型的安全训练和保障。对语音 Agent 而言，这意味着不能只评估“说话的模型”，还要同时审视后端模型、工具权限及 Agent Guardrails（Agent 护栏）的执行策略。

评测含义

OpenAI 以 5–10 分钟的配对人类对话评估整体偏好、轮流说话、打断、对话流和自然度，并称 GPT-Live-1 和 mini 显著优于 Advanced Voice Mode；同时报告在 GPQA、BrowseComp 和内部的多轮电信客服语音任务上优于旧模型。它们是厂商发布时的评估结论，应当被理解为产品方向和受控比较，而不是所有真实语音场景的成功率。

更值得迁移到产品设计的结论是：语音 Agent 的评测应把“答案对不对”与“怎样交谈”分开测量。前者覆盖搜索和推理质量，后者至少覆盖打断是否恰当、停顿时是否耐心等待、背景噪声下是否保持注意力，以及高风险内容能否在音频输出尚未造成影响前被拦截。

Deutsche Telekom（德国电信）的企业案例为这类能力补充了一个电信分发视角：运营商正在探索把实时翻译、通话助手和通话后摘要直接放入用户已有的电话渠道。不过该案例只称使用多个模型并与多家公司合作，不能据此判断这些功能已经采用 GPT-Live，或把企业路线图当作已验证的模型部署结果。这个案例的转型含义归入企业 AI 原生转型。