剛剛，OpenAI 突然宣佈新一代語音模型 GPT-Live 上線！

剛開始覺得：“不就是新的語音模式嗎？”

但實際上，這可能是 ChatGPT 自 GPT-4 以來，互動方式的一次重大升級。

OpenAI 在部落格上直接表明：邁入人機互動的新紀元。

我們的願景是實現真正自然的人與人工智慧互動：一個與人工智慧協作如同與他人合作般流暢且響應迅速的世界，而推理和複雜任務執行則無縫地在背景中進行。

那麼這次的 GPT-Live 到底有那些改進？為什麼能被認為是 OpenAI 最智能的語音模型？

GPT-Live：就像人和人打電話一樣

一句話概括：GPT-Live 是 OpenAI 全新一代的語音模型，專門用來驅動 ChatGPT 的“語音模式”，核心賣點是讓 AI 說話更像真人聊天。

底層是全雙工架構。通俗地說，就是“邊聽邊說”，就像人和人打電話一樣，你說話的時候它能同時在理解你的意思，甚至會自然地給你一句“嗯”“好的”這樣的回應詞，讓人感覺到“它真的在認真聽”，而不是等說完才反應過來。

GPT-Live 可以每秒鐘做出多次互動決策，例如是否說話、繼續聆聽、暫停、打斷或呼叫工具。

目前 OpenAI 推出了兩個版本：GPT-Live-1 將成為支援 Go、Plus 和 Pro 使用者的 ChatGPT 語音默認模型，GPT-Live-1 mini 將成為免費使用者的默認型號。

為什麼 GPT-Live 被認為是OpenAI最智能的語音模型？

OpenAI 官方把 GPT-Live 稱為“我們最智能的語音模型”，這個說法不是白說的：如果遇到需要聯網搜尋、複雜推理或者更‘燒腦’的任務時，GPT-Live 不會幹等著，而是把任務悄悄‘外包’給背後更強大的前沿模型去處理。等待結果的過程中，GPT-Live 依然可以繼續跟你聊天，維持對話的流暢度，等答案出來了，再自然地把結果帶回對話裡。

簡單說就是：前台負責“聊得自然”，後台負責“想得深”。

再說說和上一代的區別。ChatGPT 語音功能這些年其實經歷了三代：

最早的 Standard Voice Mode:“語音轉文字→大模型處理→文字轉語音”三段拼接，處理完一句再處理下一句，延遲明顯，對話體驗生硬。

2024 年上線的 Advanced Voice Mode(也就是很多人熟悉的GPT-4o 語音)：速度快了很多，也能識別語氣和情緒，一度讓人眼前一亮。但它本質上依然是“輪流發言”，必須等你說完才會開始回應（檢測到靜音）。因此短暫停頓或背景噪聲可能被誤判為說話結束，導致打斷。

現在的 GPT-Live：徹底取消了“輪流發言”的限制，改成持續處理輸入的同時生成輸出，是真正意義上的"邊聽邊說"。

測評資料怎麼說：邁入人類與 AI 互動的新時代

OpenAI 官方還進行了人工偏好測試。在測試中，評測員分別體驗 GPT-Live 與上一代 Advanced Voice Mode（AVM）的語音對話，然後選擇自己更喜歡的一方。

結果顯示，GPT-Live-1 在 75.7% 的對比中勝出，GPT-Live-1 mini 的偏好率也達到 69.2%。

評測員還從對話流暢度和交流舒適度兩個維度，對三個模型進行 7 分制評分。結果顯示，GPT-Live-1 的流暢度得分達到 4.96 分，明顯高於 AVM 的 3.80 分；交流舒適度則獲得 5.19 分，同樣領先於 AVM 的 3.82 分。

甚至還有GPQA、BrowseComp、τ³-Voice Telecom等多向測試：

GPQA 測試涵蓋生物學、化學和物理學的專家級科學推理能力，GPT-Live-1 在 GPQA 測試中表現遠超AVM：

BrowseComp旨在評估智能網路搜尋和尋找難以定位的資訊的能力，GPT-Live-1 在 BrowseComp 測試中比AVM表現出色：

τ³-Voice Telecom旨在評語音代理在真實的、多輪電信支援任務中的表現，GPT-Live-1 在 τ³-Voice Telecom 上的表現優於AVM：

語音 AI 賽道：可不止 OpenAI 一家

有沒有其他 AI 巨頭做語音模型？

有，而且這條賽道現在擠滿了玩家。2026 年上半年可以說是是語音 AI 競爭最密集的半年之一：

Google Gemini Live：2024 年就已經對標當年的 GPT-4o 語音模式推出，今年 3 月又發佈了 Gemini 3.1 Flash Live，把過去需要語音識別、大模型、語音合成多個模組串聯的即時語音鏈路，折疊進單一的原生音訊模型。5 月的 Google I/O 上,Google進一步開放了 Live API,支援模型主動發起對話、自動識別語種、即時多語言翻譯。

Grok：Grok Voice 是馬斯克 xAI 推出的即時語音對話模式，主打把複雜推理放在後台完成、不拖慢響應速度。7 月初，xAI 又為 Grok 語音新增了 21 種多語言音色，進一步補齊了海外多語種場景的短板。

Meta：佈局則更偏向社交和硬體。近兩年 Meta 主要推進的是：Meta AI 語音助手、整合到 WhatsApp、Messenger、Instagram 等產品、與 Ray-Ban 智能眼鏡深度結合，實現語音問答、拍照識別和視覺 AI。

一位投資人直言：“2026年是語音助手真正變得優秀的一年。”

網友：GPT-Live 還會不會頻繁打斷使用者？

在這個評論區，網友最關心的是：GPT-Live 會不會頻繁打斷對話。

“我喜歡語音功能，但它最大的問題是，每次我說話那怕只有短暫的停頓，它都會打斷我。”

“這很酷，但它在處理打斷方面還可以做得更好。”

當然，還有一些對 GPT-Live 的期待：

“如果它能在嘈雜擁擠的場所也能正常工作，讓我可以和它通話，我會更加印象深刻。”

“它需要視覺輸入才能知道何時有人想要打斷。如果沒有視覺輸入，它總會有些偏差。”

GPT-Live 推出後，OpenAI 總裁 Greg Brockman 發文：“在我們自己的測試中，感覺我們對它的瞭解還只是冰山一角。”

關於 AI 的“下一代入口”一直是全球科技公司的爭奪戰場。如果 GPT-Live 的潛力能夠持續釋放，那麼語音互動或許有可能成為 AI 的下一代入口。

“智能、功能強大的即時語音技術很有可能成為消費級人工智慧的最終目標。這將為市場參與下一階段的建設提供理由。”

語音真的能成為 AI 的“下一代入口”嗎？還是說，沒有視覺輸入，語音永遠只是半條腿走路？ (51CTO技術堆疊)

在企業級AI市場動作頻頻的Cohere公司，於2026年3月26日正式推出了名為Cohere Transcribe的開源語音識別模型。這款模型擁有20億參數，專為邊緣裝置設計，旨在打破以往語音模型因體積過大而導致的延遲瓶頸。通過採用Apache 2.0協議開源，Cohere試圖效仿Meta的路徑，利用開發者社區的力量快速完善生態，並最終實現商業化反哺。

邊緣側的性能怪獸：支援14種語言且超越主流對手。Cohere Transcribe在訓練中涵蓋了包括中文、日語、法語和希伯來語在內的14種語言。根據Hugging Face開放ASR排行榜的最新資料，該模型在性能指標上已經超越了ElevenLabs Scrie和阿里旗下的Qwen3等同類競品。

得益於精簡的參數量，它能直接部署在手機、PC或工業閘道器等終端裝置上，無需頻繁呼叫雲端算力，這不僅極大地降低了資料傳輸延遲，也為銀行、銷售和醫療等對隱私高度敏感的行業提供了更安全的解決方案。

從文字到語音的戰略擴張：重塑智能體互動基石。雖然Cohere過去一直深耕文字生成領域，但此次跨界語音識別被視為其建構全能AI智能體（Agent）的關鍵一步。公司宣佈，Cohere Transcribe即將整合進其AI智能體編排平台North中。

分析人士指出，隨著Siri式的語音互動成為AI浪潮的起點，語音能力已成為智能體感知世界的必備“耳朵”。Cohere正通過這種“小而強”的開源策略，在邊緣計算和即時語音翻譯市場與IBM、阿里巴以巴及推出AI Companion 3.0的Zoom展開正面交鋒。 (AI的記錄日常)

彙整鉅亨號中所有使用「語音模型」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

Google、xAI扎堆捲入語音賽道，GPT-Live憑什麼成為OpenAI最智能的語音模型？

挑戰輝達統治力：Cohere發佈開源輕量化語音模型Transcribe