GPT-Live 发布：ChatGPT Voice 开始边听边说

GPT-Live 不是把语音模型再调顺一点，而是把 ChatGPT Voice 的交互方式换了一层底座：模型可以边听边说，能在你停顿时继续等，也能在更复杂的问题上把检索和推理交给后台模型处理。OpenAI 已在 2026 年 7 月 8 日发布 GPT-Live，并开始向全球 ChatGPT 用户推出 GPT-Live-1 和 GPT-Live-1 mini；API 还未正式开放，只能先登记通知。1

CNBC 同步报道也把 GPT-Live 和 GPT-5.6 公开发布放在同一篇里，称 OpenAI 在周三推出 GPT-Live，模型可以同时听和说，GPT-Live-1 与 GPT-Live-1 mini 会面向全球 ChatGPT 用户推出。2

对产品和开发者来说，这次最值得盯的不是「声音更像人」，而是语音入口开始从「语音版聊天框」变成「实时协作界面」。如果你在做客服、陪练、车载、可穿戴设备或会议助理，GPT-Live 带来的变量是打断、等待、后台任务和视觉卡片能否一起工作。

GPT-Live 的核心变化有两点。

第一，它采用 full-duplex 架构。full-duplex 可以理解为「双向同时通话」：模型不必等用户完全说完，才能开始判断下一步。OpenAI 的说法是，GPT-Live 会连续处理输入和输出，并在一秒内多次决定要不要说话、继续听、暂停、打断或调用工具。1

第二，它把「对话控制」和「深度任务」拆开。GPT-Live 自己负责实时互动；遇到需要搜索、推理或更复杂执行的问题，会把任务委托给后台模型。OpenAI 称，发布时 GPT-Live 会在后台使用 GPT-5.5，之后可随新前沿模型发布而更新后台模型。1

这解释了为什么它和 7 月 7 日刚发布的 GPT-Realtime-2.1-mini 不是同一个问题。Realtime 2.1-mini 更像 API 里的低成本语音 Agent 模型升级，重点是把 reasoning 和 tool use 下沉到更便宜的 Realtime mini 档位。GPT-Live 则先落在 ChatGPT Voice，改的是终端用户讲话时的交互体验和产品形态。

OpenAI 在公告中把旧方案拆成两类：级联系统和轮次式语音模型。原始 ChatGPT Voice 是 speech-to-text、语言模型、text-to-speech 三段串起来；Advanced Voice Mode 虽然把音频处理放进单个模型，但仍然依赖一轮一轮的对话边界。1

这个差异会直接影响产品设计。以前的语音机器人常常要靠「你说完了吗」来判断轮次；GPT-Live 之后，好的语音产品要设计「什么时候不说话」。客服系统、语言陪练和车载助手尤其明显：用户停顿不一定代表结束，打断也不一定代表粗暴。

OpenAI 给 GPT-Live 建了新的人工评测，用 5 到 10 分钟的匹配对话比较整体偏好、轮次控制、打断、对话流和自然感。OpenAI 称，GPT-Live-1 和 GPT-Live-1 mini 在这些 head-to-head 比较中明显优于 Advanced Voice Mode。1

更值得开发者看的，是它不只优化声音。OpenAI 还列出三个能力评测方向：GPT-Live-1 在 GPQA 上高于 Advanced Voice Mode；在 BrowseComp 上有明显提升；在内部变体 τ³-Voice Telecom 上也表现更好。OpenAI 说明，GPT-Live-1 instant 和 GPT-Live-1 mini 后台使用 GPT-5.5 Instant，Medium 和 High 则使用 GPT-5.5 Thinking 的不同推理档位。1

这里要保守一点：这些都是 OpenAI 自己发布的评测，不能等同于第三方独立验证。但方向很清楚，语音模型不再只比「像不像真人」。它开始比能不能边对话边查资料、边等待边处理任务、边听用户改口边更新意图。

GPT-Live 已开始在 ChatGPT 的 iOS、Android 和 ChatGPT.com 中全球推出。OpenAI 称，GPT-Live-1 会成为 Go、Plus 和 Pro 用户的 ChatGPT Voice 默认模型，GPT-Live-1 mini 会成为免费用户的默认模型。1

API 还没正式开放。公告只给了登记通知入口，面向开发者和企业收集 API 上线提醒。1 这意味着你现在可以先在 ChatGPT 里体验产品形态，但还不能直接把 GPT-Live-1 当成公开 API 模型接进自己的实时语音应用。

限制也很明确。OpenAI 说 GPT-Live 发布时不支持 ChatGPT 里的视频语音或屏幕共享；这些能力仍可在旧版 Standard Voice Mode 和 Advanced Voice Mode 中使用，GPT-Live 会在之后补上。1 对企业应用来说，这个限制很实在：如果你的场景依赖看屏幕、看摄像头、实时解释界面，暂时不能只押 GPT-Live。

语言体验也不是全覆盖。OpenAI 说它已经针对 ChatGPT 中最常用的一些语言做了优化，但某些语言可能有非母语口音或流利度缺口。1 中文场景要单独测试，不要只凭英文演示判断可上线。

GPT-Live 的安全问题比普通文本模型更难，因为语音会在进行中展开。System Card 写明，GPT-Live-1 和 GPT-Live-1 mini 有系统级安全集成，会在对话过程中检查输入和生成输出；检测到潜在不安全内容时，系统可以引导或打断回答，播放语音安全提示，提供文字支持资源，或者在更高风险情况下结束语音对话。3

OpenAI 还说，GPT-Live 模型自己不具备广泛独立工具访问，也没有代码执行能力；如果把复杂任务委托给其他模型，相关任务会继承底层模型的安全训练和保护。3 这句话对开发者很关键：GPT-Live 更像实时交互层，不是一个能独立跑完整工具链的万能代理。

System Card 也提醒了一件容易被忽略的事：GPT-Live 是为对话设计的，不是为模仿真人声音设计的。OpenAI 称它使用 ChatGPT 预设声音，并有防止模仿真实人物声音的保护。1 如果你的产品需求是「复刻某个真人声线」，这不是 GPT-Live 的合规用途。

现在值得第一时间试 GPT-Live 的，是已经有真实语音使用场景的团队：客服、销售陪练、语言学习、车载助手、可穿戴设备、会议助理、播客式问答。重点不是听音色，而是测试四件事：模型会不会乱打断；用户停顿时它能不能等；后台检索和推理会不会破坏对话流；中文和嘈杂环境下是否稳定。

如果你做的是 API 语音 Agent，现在更现实的动作是继续评估 Realtime 2.1 系列，同时把 GPT-Live 当作产品方向样本。等 GPT-Live API 开放后，再判断它能否替换现有 Realtime 架构。

不适合现在押注的场景有三类：强依赖屏幕共享或视频输入的助手；要求精确复刻真人声音的应用；对安全中断极其敏感、不能接受系统实时打断的业务流程。GPT-Live 的方向很有价值，但它先解决的是「自然对话」问题，不是把所有语音 Agent 的工程问题一次性抹平。