昨夜凌晨一场直播，OpenAI亮出了新一代的语音模型GPT-Live，并透露它将开始催化ChatGPT Voice的升级。回想起ChatGPT Voice上次换代，还是在2024年5月GPT-4o发布时展示的Advanced Voice；同年7月，它就开始向部分Plus用户小范围开放。算到GPT-Live问世，这已经过去了两年光景。
今次，OpenAI把全双工架构带进了ChatGPT Voice。以往的AI语音助手，大多像一台效率挺高的对讲机：你要说完一句，模型再回应一句；模型讲着话时，你可以随时打断，不过系统常要重新判断、重新组织话语。
它已经接近对话，终究还不是自然，差那么点真聊天味儿。
GPT-Live要攻克的，正是这层细微的差别。
今天，这项功能将在ChatGPT上正式启封。但……反馈似乎不太尽如人意？
给ChatGPT Voice来点加餐
真正的聊天场合，除了辩论，人们很少是句句回应、井然有序地轮流说话。我们会停顿，会迟疑，会突然改口，也会对方说着话说句“等等，不是这意思”。有时候，一声“嗯嗯”“我懂”，比完整回答更有用；有时候，最好的回应反而是啥也不说，让对话继续流。
过去的AI语音助手，最头疼的就是这些细节。无论是ChatGPT、Gemini还是我们熟悉的豆包，它们在“聊天”时都很生硬，挺有人机味儿。它们能解答疑问，能读出字来，也能在被打断时暂停。但它们通常依赖一个前提：先判断你是否说完了，再决定要不要开口回答。判断一旦失误，对话就会显生硬。用户停顿一秒，它可能以为问题终结了，急着接话；用户说到一半改变了主意，它可能还在按原话往下说；背景有人说话，它还可能把非你的声音当成输入。
GPT-Live要改善的，就是这些不易包装成“大功能”，却会直接影响体验的小节。
要读懂如今的GPT-Live，先得看OpenAI早前的语音系统是怎么运作的。最早的ChatGPT Voice，采用的是级联语音系统。说白了，它不是用一个模型全程处理语音，而是多个模型接力施工：先把用户声音转成文字，再让大语言模型依据文字生成应答，最后再把文字转换成音效。这套方案方便搭建，也能快把大语言模型接入语音互动。但它的问题也很突出：语音里的丰富信息，会经由“语音转文字”的第一步就流失。模型在生成回答时，见到的往往只是段被整理过的文字，而非对话的完整现场。用户的语调、停顿、情绪变动，都不会传入语言模型。再加上多个模型串联，延迟也被逐层累加，语音助手就容易变成“听一句、想一下、再念一句”。
GPT-4o之后，OpenAI推出了Advanced Voice，开始用原生音频模型直接处理和生成声音。与级联系统比，这无疑是一次进步：模型不用先把全部语音改成文字再绕一圈生成语音；它能保留更多音频细节，延迟更低，用户能更顺畅地打断。但Advanced Voice仍未彻底告别回合制。OpenAI在介绍GPT-Live时，把以前的Advanced Voice定义为回合制语音模型。它比传统语音助手更自然，但还是先判断你是否说完了，再决定是否要回应。这个机制在文字聊天没毛病，用户点发送键就等于通知模型这轮结束了——但语音聊天没有那个按键，何时该应答，得由模型自己拿捏。
