介绍 GPT-Live | OpenAI

2026年7月8日

产品

介绍 GPT‑Live

新一代语音模型，用于自然的人机交互，现已为 ChatGPT 语音功能提供支持。

我们正式推出 GPT‑Live，这是新一代语音模型，让人工智能对话的感觉更像真实的交流。

GPT‑Live 采用全双工架构，这意味着它可以同时倾听和说话。在对话中，GPT‑Live 可以通过发出“嗯哼”或“对”等声音来表明它正在注意，可以快速来回交流，也可以在你需要思考时保持安静。最终的结果是一种令人耳目一新的、易于交谈的语音体验。

GPT‑Live 也是我们目前最智能的语音模型。对于需要网络搜索、更深层推理或更复杂工作的问题，它会在后台委托给我们的最新前沿模型，并在准备就绪时把结果带回对话中。在后台处理的同时，GPT‑Live 可以继续与你交谈并保持对话的流畅。在发布时，GPT‑Live 将在后台使用 GPT‑5.5。随着我们发布新的前沿模型，我们将持续更新 GPT‑Live 所使用的模型。

这些进步带来了一种全新的 ChatGPT 语音体验，更加智能且自然易用。随着时间的推移，我们相信这项研究还将解锁语音在日益复杂、持续更久、更具智能体性质的工作中的能力。

我们今日开始向全球 ChatGPT 用户逐步推出两个版本的 GPT‑Live——GPT‑Live‑1 和 GPT‑Live‑1 mini。我们还计划很快将其引入 API，开发者和企业可通过此表单注册以接收通知⁠。

进入人机交互的新纪元

我们的愿景是实现真正自然的人机交互：一个与人工智能协作就像与另一个人合作一样流畅且响应迅速的世界，同时推理和复杂任务的执行在后台无缝进行。

先前的方案

老一代的语音 AI 系统让我们更接近这一愿景，但存在重要的权衡。

级联式语音系统

级联语音系统依赖一系列模型按顺序工作，逐一处理每一轮对话。最初的 ChatGPT 语音功能将三个模型串联在一起：一个语音转文字模型用于转录你的说话内容，一个大语言模型用于生成回复，以及一个文字转语音模型用于将回复转换回语音。这种方法让我们首次能够与前沿 AI 模型对话，但复杂性也带来了代价：信息可能会在不同模型之间丢失，回复既缓慢又生硬。

回合制语音模型

像 ChatGPT 高级语音模式这样的回合制语音模型，在单个模型内部处理并生成音频，从而降低了延迟，使对话更加流畅——但它们仍然通过离散的回合来运作。模型必须等待用户停止说话后才能回应，导致对话变得僵硬、来回往复。此外，由于回合检测基于静默，即使是短暂的停顿或背景噪音也可能被误判为回合结束——导致模型在不恰当的时间打断说话。

我们的新方法

GPT‑Live 通过两项架构改进解决了这些限制。

持续交互

首先，我们构建了用于持续交互的 GPT‑Live，采用全双工架构。GPT‑Live 不再处理一系列独立的消息，而是在生成输出的同时持续处理输入。因此，模型可以每秒多次做出交互决策：是否说话、继续倾听、暂停、打断或调用工具。

这使得模型能够进行更自然的来回对话，保持更好的时间感，甚至可以进行实时翻译。

委托进行更深层的工作

第二，我们将处理持续交互的 GPT‑Live 与更深层的工作解耦。当某个问题需要搜索、推理或更智能体的能力时，GPT‑Live 可以将任务委托给另一个模型（如 GPT‑5.5）。这使得它能够在后台处理多个任务的同时，继续保持对话的进行。

这一架构变化还使得 GPT‑Live 能够持续使用最新的模型和智能体，将前沿智能与自然交互相结合。

与 GPT-Live-1 的对话示例，使用了 GPT-5.5 Instant

评估

我们构建了全新的人类评估，用于衡量对话的愉悦度和流程。在这些直接对比中，GPT‑Live‑1 和 GPT‑Live‑1 mini 在 5–10 分钟的配对对话中，相比高级语音模式表现出显著优势，评估项目包括整体偏好、话轮转换、打断、对话流畅度以及每次交互的自然程度。

• GPQA：GPT‑Live‑1 在 GPQA 上大幅优于高级语音模式。GPQA 测试的是涵盖生物学、化学和物理学领域的专家级科学推理能力。

• BrowseComp：GPT‑Live‑1 在 BrowseComp 上相比高级语音模式有强劲提升。BrowseComp 测试的是智能体化网络搜索以及查找难以定位信息的能力。

• τ³-Voice Telecom（内部变体）**：GPT‑Live‑1 在 τ³-Voice Telecom 上优于高级语音模式。该测试评估语音智能体在真实的、多轮电信支持任务中的表现。

• GPT‑Live‑1 (instant) 和 GPT‑Live‑1 mini 在后台使用 GPT‑5.5 Instant 模型，而 GPT‑Live‑1 Medium 和 GPT‑Live‑1 High 则使用 GPT‑5.5 Thinking 模型，并采用中等推理程度和高推理程度的设置。

** 此次评估中，我们使用了基于最新推理模型定制的用户模型。

全新的 ChatGPT 语音体验

每周有超过 1.5 亿人使用语音和听写等功能与 ChatGPT 对话。他们用它来获得无需动手的日常帮助、练习语言、讲睡前故事，或在通勤时闲聊。

从今天起，当你点击语音按钮与 ChatGPT 对话时，将会获得由 GPT-Live 驱动的升级体验——更自然的对话、更聪明的回答、更好的聆听以及视觉响应。

更自然的对话

现在，与 ChatGPT 交谈应该感觉更像是一场真实的对话。你可以中途插话提问、暂停整理思路，或者请 ChatGPT 放慢语速。它会用“嗯嗯”或“明白了”这样的短语自然地确认你的话，让你知道它在跟上你的思路。我们还为 GPT-Live 重新制作了 ChatGPT 中的九种不同声音。

更聪明的回答

ChatGPT 语音现在可以调用我们最新的前沿模型，在你需要时提供更聪明的回答。你还可以选择适合自己需求的推理层级：即时模式用于快速响应，中等模式或高等模式则在你希望 ChatGPT 多花些时间思考时使用。

更好的聆听

如果你需要片刻思考，ChatGPT 语音现在会等待，而不是抢话打断。如果你让它保持安静仔细倾听，它也会照做。当背景有噪音，比如过往车辆的声音或附近的交谈时，ChatGPT 能更好地聚焦于你的声音，而不是被干扰。

一眼可及的视觉答案

有些答案通过视觉呈现会更加有用。在对话过程中，ChatGPT 现在可以针对天气、股票、体育等话题展示丰富的视觉卡片。语音功能也依然支持搜索、记忆、图片和文件上传。

最终的结果是，ChatGPT 语音体验在日常生活中感觉更自然、能力更强、也更有用。

安全为语音而生

GPT-Live 在设计时默认就考虑了安全性。它建立在我们最新模型的安全进展之上，同时针对关键风险领域增加了专门的安全训练，以及专门为语音设计的新防护措施。

扩大的安全测试

为了更好地反映人们在真实场景中使用语音的方式，我们首先扩展了安全测试，加入了新的音频原生评估。我们还创建了合成评估，利用生成的音频更聚焦关键安全领域，借鉴了我们在高级语音模式中的经验。这些领域包括：自伤、精神病和躁狂、对 AI 的情感依赖、暴力以及色情内容。内部专家还对模型进行了针对语音特有风险的红队测试。

在我们的测试中，GPT‑Live 在几乎所有我们评估的领域中的表现都与高级语音模式相当或更优。你可以在 GPT‑Live 系统卡片中阅读更多关于我们的测试和安全防护措施的信息。

内置安全防护

由于语音对话是实时进行的，我们还构建了能够在模型说话时采取行动的安全防护措施。当系统检测到可能有害的输出时，它可以引导模型做出更安全的回应，显示额外的安全提示信息或资源，或者在风险较高的情况下结束语音对话。对于涉及自伤的对话，我们调整了 ChatGPT 在语音模式下的支持流程，包括提供经过专家验证的危机热线支持。

我们设计了额外的保护措施来支持青少年用户，并直接在模型中训练了符合年龄特征的行为，以降低不当回应的风险。家长可以通过家长控制功能选择他们的青少年是否可以使用 ChatGPT 语音功能，并且在涉及潜在自伤或自杀意图的高风险情况下，关联的家长可能会收到通知。

从实际使用中学习

我们还在推出更长期的测量和发布后监控，重点关注情感依赖，以持续改进我们的理解并完善安全防护措施。基于我们之前对情感使用和情感健康的研究，这将帮助我们识别新出现的模式，并改进系统在情感敏感互动中的回应方式。

最后，GPT‑Live 是为对话而设计的，而非语音模仿。它使用 ChatGPT 中的一组预设语音，并配有安全防护措施，以防止其模仿真实人物的声音。

我们致力于支持安全与健康，并将持续从实际使用中学习，不断加强这些保护措施。

可用性与限制

GPT‑Live 现已向全球 ChatGPT 用户在 iOS、Android 及 ChatGPT.com⁠ 上陆续推出。GPT‑Live‑1 将成为支持 ChatGPT Voice 的默认模型，面向 Go、Plus 和 Pro 用户；GPT‑Live‑1 mini 将成为免费用户的默认模型。更多可用性详情请参阅我们的 Help Center⁠。

我们针对 ChatGPT 中最常用的几种语言优化了 GPT‑Live。对于部分语言，模型可能存在非母语口音或流利度不足的情况。我们正在积极努力，以提升跨语言的体验。

发布之初，GPT‑Live 在 ChatGPT 中尚不支持含视频或屏幕共享的语音功能，但我们正努力尽快引入这些能力。您仍可使用旧版 ChatGPT Voice（包括 Standard 和 Advanced Voice Mode），这些模式中已具备上述功能。

• 2026
• ChatGPT