OpenAI 于周三推出了 GPT-Live，推出了两种新的语音模型来取代现有的高级语音模式。 GPT-Live-1 和 GPT-Live-1 mini 型号可以同时听和说，模仿人类对话。 GPT-Live-1 是 Go、Plus 和 Pro 级别付费用户的默认设置，而 GPT-Live-1 mini 则适用于免费级别用户。
该服务已在全球 iOS、Android 和 ChatGPT.com 上推出。 OpenAI 计划将这些模型集成到其供开发人员使用的 API 中。 GPT-Live代表了ChatGPT两年内开发的第三代语音技术。
GPT-Live 的主要特点是“全双工架构”，可在生成响应的同时实现实时音频处理。 OpenAI 在博客文章中表示：“GPT-Live 不是处理一系列单独的消息，而是在生成输出的同时不断处理输入。”这允许诸如“嗯”之类的对话确认，并避免交流期间的中断。
之前的高级语音模式于 2024 年 9 月推出，在严格的逐轮交换中运行，给用户体验带来了挫败感。背景噪音可能会过早地触发响应，从而影响对话的流畅性。
GPT-Live 还通过将复杂的查询委托给后台模型（即 GPT-5.5），将语音交互与推理分开，同时无缝地继续对话。 “当它起作用时，GPT-Live 可以继续与你交谈并保持对话的流畅性，”OpenAI 解释道。
ChatGPT 于 2023 年推出的原始语音依赖于复杂的管道，该管道会在模型之间引入延迟和丢失信息。此设置在高级语音模式中进行了改进，该模式试图简化流程，但仍然会导致尴尬的停顿和中断。
OpenAI 旨在减轻过去有关声音模仿的争议，特别是源自与女演员斯嘉丽约翰逊相似的“Sky”声音的担忧。该公司强调，GPT-Live 避免模仿，并采取了防止模仿真人声音的保护措施。
目前，每周有超过 1.5 亿用户与 ChatGPT 的语音功能进行交互，这是 9 亿活跃用户总数中的一部分。借助 GPT-Live，用户可以访问丰富的视觉卡，并在三个响应推理级别之间进行选择：即时、中和高。该系统还承诺提高管理背景噪音和对话期间用户中断的性能。
安全措施随着新车型的推出而不断发展。 OpenAI 进行了广泛的评估，展示了 GPT-Live 在自残和仇恨言论等类别中的增强性能，解决了与实时语音交互相关的独特风险。
在 OpenAI 不断推进语音技术的同时，谷歌、字节跳动和 Nvidia 等竞争对手最近也推出了自己的全双工系统。 GPT-Live 目前缺乏视频交互或屏幕共享等某些功能，而这些功能正在成为语音 AI 产品的标准。
总体而言，GPT-Live 代表了 OpenAI 的重大进步，因为它将语音定位为人工智能的主要交互层，旨在实现 AI 通信中更加自然和代理的功能。
<小时/>
