GPT-Live 登场：OpenAI 把语音模型拆成实时对话层和后台推理层

GPT-Live 不是把 ChatGPT Voice 换一个更顺的声音。OpenAI 这次把语音产品拆成两层：一层专门处理实时听说和打断，一层把搜索、推理和复杂任务交给 GPT-5.5 这类后台模型。官方说，GPT-Live 从 7 月 8 日开始在 ChatGPT Voice 中全球 rollout，包含 GPT-Live-1 和 GPT-Live-1 mini 两个版本，并计划很快带到 API。1

这比上一代 Advanced Voice Mode 更值得看。Advanced Voice Mode 解决的是「模型能不能直接听音频、说音频」；GPT-Live 要解决的是另一个问题：当人类说话本来就有停顿、插话、改口和背景噪声时，AI 能不能不把每一句话都切成一个完整回合，再慢慢处理。对语音 Agent 来说，这个差异会直接决定它能不能进入客服、陪练、驾驶、语言学习和复杂事务协助。

这一组信息说明，GPT-Live 不是单个模型名，而是一套「语音交互层 + 后台推理层 + ChatGPT 产品入口」的组合。它最像一个调度器：前台负责像人一样接话、停顿、打断和保持场子，后台负责把需要时间的任务做完。

过去的语音 AI 有两条主路。第一条是级联系统：先语音转文字，再让大模型生成文本，最后文字转语音。OpenAI 在回顾中说，最早的 ChatGPT Voice 就是把三个模型串起来；这让用户第一次能和前沿模型说话，但信息会在模型之间丢失，响应也慢而僵硬。1

第二条是 turn-based audio model。Advanced Voice Mode 已经把音频输入和音频输出放进一个模型里，延迟更低，体验更顺。但它仍然依赖离散回合：模型要等用户停止说话才开始回应；如果用户只是停顿一下，或者旁边有噪声，系统可能误以为一轮结束，然后不自然地插话。1

GPT-Live 的 full-duplex 试图绕开这个瓶颈。它不是等一句话结束再处理，而是在输出时持续接收输入；模型可以一边说，一边听到用户插进来的新信息，然后决定继续、暂停、改口或调用工具。1

这就是为什么 OpenAI 把「mhmm」「yeah」「got it」这类短反馈写进发布稿。它们看上去像细节，其实是语音产品的关键状态提示：用户需要知道模型还在听，而不是在沉默、卡住或抢话。语音交互里，半秒误判就会让人想关掉麦克风。

GPT-Live 更重要的设计，是把「持续互动」和「复杂工作」分开。OpenAI 说，当问题需要 web search、更深推理或更复杂工作时，GPT-Live 可以把任务交给 GPT-5.5 这样的模型；后台任务运行时，GPT-Live 仍能维持对话流。1

这解决了语音 Agent 的一个老矛盾。语音场景希望低延迟，用户不能等十几秒才听到声音；但复杂任务又需要搜索、工具调用、长链推理和多步校验。把所有事情都塞进一个实时音频模型，会让模型既要快，又要深，最后两边都受限制。

拆层之后，产品可以有更清楚的分工：

这也解释了为什么 GPT-Live 发布紧跟 GPT-5.6。GPT-5.6 的主线是把更强推理、工具使用、并行 agent 和 Programmatic Tool Calling 推到生产工作流里；OpenAI 在 GPT-5.6 正式发布页中强调，Sol / Terra / Luna 用性能、成本和推理档位拆出不同工作负载。4 GPT-Live 则像是给这些后台能力加了一个语音前台。

OpenAI 给 GPT-Live 的评测口径也很有意思。发布页说，GPT-Live-1 和 GPT-Live-1 mini 在 5 到 10 分钟的匹配对话中，相比 Advanced Voice Mode，被人类评测者强烈偏好；评估项包括整体偏好、turn-taking、打断、对话流和自然感。1

它还在三类能力上对比 Advanced Voice Mode：GPQA 代表专家级科学推理，BrowseComp 代表 agentic web search 和难找信息检索，τ³-Voice Telecom 的内部变体则模拟多轮电信客服任务。OpenAI 称 GPT-Live-1 在这些测试上超过 Advanced Voice Mode；其中 instant 和 mini 使用 GPT-5.5 Instant，Medium 和 High 使用 GPT-5.5 Thinking，并配不同推理 effort。1

这里要保留一个判断边界。OpenAI 没在发布页给出完整分数表，而且这些结果高度依赖后台 GPT-5.5、推理档位和评测 harness。我们能确定的是方向：GPT-Live 的卖点不是单独把语音模型的 IQ 拉高，而是在真实多轮语音任务里，把互动质量和后台推理绑在一起评估。

语音模型的安全风险和文本模型不完全一样。文本聊天里，系统可以在生成前后做过滤；语音对话里，模型可能正在说话，用户也可能同时插话，风险需要边说边处理。

OpenAI 的系统卡写得很明确：GPT-Live 的输入和生成输出会在对话展开时被检查；如果检测到潜在不安全内容，系统可以引导或打断回答、播放语音安全提示、以文本提供支持资源，或在更高风险情况下结束语音对话。2

系统卡还提到，OpenAI 为 GPT-Live 做了新的 voice-native 评估，使用经过权限、删除状态、PII scrub 和去标识化处理的真实语音样本；这些评估不是按真实流量加权，而是故意选取 Advanced Voice Mode 表现不理想的困难样本。2 在这些 adversarially selected prompts 上，OpenAI 观察到 GPT-Live 模型总体与 AVM 持平或更好；GPT-Live-1 在 emotional reliance 上从 0.88 小幅降到 0.82，GPT-Live-1 mini 在 sexual content 上从 0.97 小幅降到 0.95，官方称两项都没有统计显著性。2

更关键的是能力边界。Safety Advisory Group 判断，GPT-Live-1 和 GPT-Live-1 mini 在不委托后台模型时，不能合理地被认为在生物化学、AI 自我改进或网络安全这几类 Preparedness Framework 跟踪类别中达到 High。2 系统卡同时强调，网络安全风险在首发时受限，因为 GPT-Live 本身没有独立的广泛工具访问，也没有代码执行能力；未来启用更多工具前会重新评估防护姿态。2

这句话很重要。GPT-Live 的聪明很多来自「委托」。它本体如果没有工具和代码执行，风险主要在语音交互、情绪依赖、操纵和错误建议；一旦它能把更多工作交给强模型、工具和 Agent，风险评估就要跟着后台能力一起变化。

GPT-Live 不是 OpenAI 第一次做实时语音。5 月发布的 GPT-Realtime-2 已经面向 API，支持更强推理、并行工具调用、128K 上下文、可调 reasoning effort，并给出价格：音频输入每 100 万 token 32 美元，缓存输入 0.40 美元，音频输出每 100 万 token 64 美元。5 GPT-Live 的不同在于，它先以 ChatGPT Voice 的产品体验出现，而且把后台 frontier model 委托机制摆在核心叙事位置。

Google 的 Gemini Live API 则给了另一个参照。Google 文档里，Gemini 3.1 Flash Live Preview 和 2.5 Flash Live Preview 都支持 Live API；3.1 版本用 thinkingLevel 控制思考深度，默认 minimal 以优化低延迟；文档还列出 VAD 配置、turn coverage、音频输入输出和模型事件处理方式。6 有意思的是，Google 2.5 Flash Live Preview 支持非阻塞函数调用、proactive audio 和 affective dialogue，而 3.1 Flash Live Preview 在这些项上暂不支持。6

横向看，几家公司正在拆同一道题，只是切法不同：

所以 GPT-Live 的竞争点不是「OpenAI 终于能实时语音了」。真正的竞争点是：谁能把低延迟、情绪自然度、后台深推理、工具调用、安全中断和产品呈现放进同一个稳定系统。

第一，盯 API 价格。GPT-Live 现在还没有 API 定价；而 GPT-Realtime-2 已经有按音频 token 计费的价格。5 如果 GPT-Live 把后台 GPT-5.5 推理也算进成本，复杂语音 Agent 的单位经济性会和普通聊天完全不同。

第二，盯后台模型切换。OpenAI 说 GPT-Live 发布时使用 GPT-5.5，未来会随着新 frontier model 更新。1 这对产品是好事，也带来回归测试问题：同一个语音 Agent，后台模型升级后，回答质量、延迟、拒答和工具调用习惯都可能变。

第三，盯企业入口。帮助中心写明，Live 首发不在 Business、Enterprise、Edu 工作区，也不在 Temporary Chats、桌面 app、Work、Codex 或 custom GPTs 中。3 这意味着短期内它更像 ChatGPT 消费端能力，而不是企业可控生产入口。

第四，盯多模态缺口。Live 首发不支持视频和屏幕共享，相关能力仍留在 Advanced Voice Mode。3 这会影响远程协作、桌面操作、教学演示和客服排障。真正的「语音 Agent」最终不会只听麦克风，它还要看屏幕、读文件、查系统、执行动作。

GPT-Live 的发布，把语音 AI 的问题从「说得像不像人」推进到「能不能在复杂任务里持续陪跑」。如果 OpenAI 能把 API、企业入口、视频/屏幕、多工具调用和实时安全中断补齐，GPT-Live 会成为 ChatGPT 进入日常工作流的新前台；如果这些层迟迟分散在不同产品里，它就会先停留在一个更自然的消费端语音体验上。