OpenAI livestream · 18:22

這支影片在講：ChatGPT Voice 進入 GPT-Live 時代

OpenAI 這場 livestream 的重點不是多一個聲音按鈕，而是把 Voice 從「等你講完才回應」推向「邊聽、邊說、邊把複雜任務丟給後端模型」的連續互動介面。

Published: 2026-07-08Video ID: 9f-Ew_lDtxcSource: OpenAI

OpenAI · Kundan Kumar, Yuchen Zhang, Ehsan Asdar, Rithesh Kumaryoutube.com/watch?v=9f-Ew_lDtxc

01 / 產品變化

Voice 變成 Live

ChatGPT Voice 現在由 GPT-Live-1 與 GPT-Live-1 mini 驅動。付費使用者用 GPT-Live-1，Free 使用者用 mini，先在 ChatGPT web、iOS、Android 推出。

02 / 核心能力

Full-duplex 對話

GPT-Live 可以同時聽與說，能在使用者思考時保持安靜、在快速來回中插入短回饋，也比較不會把停頓誤判成輪到它說話。

03 / 系統設計

即時互動與深度工作拆開

Live model 維持語音流暢度；需要 web search、推理、複雜處理時，再委派給背景的 frontier model，讓對話不中斷。

Key signals

這次發布最值得抓的四個訊號

Rollout

2 models

GPT-Live-1 與 GPT-Live-1 mini 同步推出，直接接到 ChatGPT Voice。

Users

150M+

OpenAI 表示每週有超過 1.5 億人使用 Voice 或 Dictation 相關功能。

Interaction

many / sec

模型持續判斷要說、聽、暫停、插話或叫工具，而不是等一個完整 turn。

Limit

no video

Live 初期不支援 video 與 screen sharing，這些能力仍要用 Advanced Voice。

Architecture

為什麼 GPT-Live 不是單純換一個 TTS

舊 1

Cascaded voice 系統會有斷點

早期語音系統把語音轉文字、文字模型回答、再轉回語音串成流水線。好處是能接上強大的文字模型，壞處是延遲、語氣資訊流失，聽起來容易像一段段拼接。

舊 2

Turn-based voice 還是在等輪次

Advanced Voice 類型的單一即時模型已經更順，但仍以「使用者停下來，模型才開始」為基本節奏。短暫沉默、背景噪音或思考停頓，都可能讓系統太早接話。

新

GPT-Live 把互動決策變成連續流

Full-duplex 的差異在於模型一邊產生語音、一邊吸收新的聲音輸入；它可以判斷是否繼續講、停住、讓使用者插話、或把需求丟給背景模型處理。

What changes

使用者會感受到哪些差異

比較少不必要插話以前 Voice 很容易在你停頓時搶答；GPT-Live 的目標是理解「我還在想」與「我說完了」之間的差別。

可以打斷、補充、改方向你不必等它完整說完一輪才修正問題。這讓語音介面更適合開車、走路、做菜、教學與即時協作。

複雜問題不必卡住前台遇到需要搜尋、推理、規劃或更重任務時，Live 可以先維持互動，再把背景模型完成的結果帶回來。

語音、文字、圖片在同一個 chatLive 在 ChatGPT 對話內運作，語音回覆會伴隨文字串流；帳號可用時，也能在同一段對話處理文字與圖片。

Demo reading

怎麼讀這場 demo 的戰略意義

語音從輸入法升級成工作介面如果 Voice 只是把語音轉成 prompt，它很難取代打字；但如果它能管理 turn-taking、背景任務與多模態上下文，語音就能成為長時間協作入口。

AI assistant 需要前台模型與後台模型分工使用者在前台要低延遲、自然節奏與不中斷；真正困難的搜尋、推理、agentic work 可以由更強但較慢的模型處理。

「會安靜」是一種能力好的 voice agent 不只是反應快，而是知道何時不要反應。GPT-Live 把少打斷、能等待、能被插話，變成可評估的產品能力。

限制同樣重要Live 初期不支援 video、screen sharing、Business / Enterprise / Edu workspace，也不先上桌面 app、Codex 或 custom GPTs。這代表新 Voice 還在分階段替換舊能力。

Timeline