GPT‑Live

# 介绍 GPT-Live 来源：https://openai.com/index/introducing-gpt-live/ 我们正在推出 GPT‐Live，这是新一代语音模型，让与 AI 的对话感觉更像真实交谈。 GPT‐Live 基于全双工架构构建，这意味着它可以同时听和说。在对话过程中，GPT‐Live 可以通过“嗯哼”或“是的”等短语表明它在专注倾听，进行快速来回交流，或者在你需要思考片刻时保持安静。结果是语音体验变得令人耳目一新地易于交谈。 GPT‐Live 也是迄今为止最智能的语音模型。对于需要网络搜索、更深层推理或更复杂工作的问题，它会在后台委托给最新的前沿模型，并在准备就绪时将结果带回对话中。在工作期间，GPT‐Live 可以继续与你交谈并保持对话流畅。发布时，GPT‐Live 将在后台使用 GPT‐5.5。随着我们发布新的前沿模型，我们将持续更新 GPT‐Live 所使用的模型。 这些进步为新的 ChatGPT 语音体验提供了动力，使其更智能、更自然易用。随着时间的推移，我们相信这项研究还将解锁使用语音处理越来越复杂、更长时间运行和更具代理性工作的能力。 我们正在开始向全球 ChatGPT 用户推出两个版本的 GPT‐Live – **GPT‐Live‐1** 和 **GPT‐Live‐1 mini** – 今天即可使用。我们还计划很快将其引入 API，开发者和企业可以通过此表格 (https://openai.com/form/gpt-live-1-in-the-api/) 注册以接收通知。 我们的愿景是实现真正自然的人机交互：一个与 AI 协作感觉就像与另一个人合作一样流畅和响应迅速的世界，同时推理和复杂任务执行在后台无缝进行。 旧一代语音 AI 系统让我们更接近这一愿景，但付出了重要的权衡代价。 级联语音系统依赖一系列模型依次处理每一轮。最初的 ChatGPT 语音 (https://openai.com/index/chatgpt-can-now-see-hear-and-speak/) 将三个模型串联在一起：一个语音转文本模型用于转录你的语音，一个大语言模型用于生成回复，以及一个文本转语音模型将其转换回语音。这种方法使我们首次能够与前沿 AI 模型交谈，但复杂性也带来了代价：信息可能在模型间丢失，而且回复缓慢且不自然。 ### 级联语音系统 缓慢且不自然的回复，长时间停顿 转录 与标准语音模式（使用 GPT‐5.5 Instant）的对话示例 基于轮次的语音模型（如 ChatGPT 高级语音模式 (https://openai.com/index/hello-gpt-4o/)）在单一模型中处理和生成音频，减少了延迟并使对话更流畅 —— 但它们仍然通过离散的轮次运作。模型必须等待用户停止说话才能回应，导致僵硬的来回交流。此外，由于轮次检测基于静音，即使是短暂的停顿或背景噪音也可能被误认为轮次结束 —— 导致模型在不自然的时间打断。 ### 基于轮次的语音模型 回复速度稍快且更流畅，但与模型的来回交流仍然感觉僵硬 转录 与 ChatGPT 高级语音模式的对话示例 **GPT‐Live** 通过两项架构变化解决了这些限制。 首先，我们使用全双工架构构建了用于持续交互的 GPT‐Live**。** GPT‐Live 并非处理一系列独立消息，而是在生成输出的同时持续处理输入。因此，模型可以每秒多次做出交互决策：是否说话、继续倾听、暂停、打断或调用工具。 这使得模型能够进行更自然的来回交流，保持更好的时间感，甚至执行实时翻译。 ### 持续交互 快速、自然、富有表现力的回复以及更主动的倾听 转录 与 GPT‐Live‐1（使用 GPT‐5.5 Instant）的对话示例 其次，我们将处理持续交互的 GPT‐Live 与更深层的工作解耦。当问题需要搜索、推理或更强的代理能力时，GPT‐Live 可以委托给另一个模型（如 GPT‐5.5）完成任务。这使得它即使同时处理后台任务，也能保持对话进行。 这一架构变化还允许 GPT‐Live 持续使用最新模型和智能体，将前沿智能与自然交互结合在一起。 ### 委派深层工作 GPT‐Live 提供快速、自然的回复，而 GPT‐5.5 在后台处理搜索 转录 与 GPT‐Live‐1（使用 GPT‐5.5 Instant）的对话示例 我们构建了新的人类评估来测量愉悦感和对话流畅度。在这些直接比较中，GPT‐Live‐1 和 GPT‐Live‐1 mini 在匹配的 5-10 分钟对话中被强烈偏好于高级语音模式，这些评估涵盖总体偏好、轮流交谈、打断、对话流畅度以及每次互动的自然程度。 - GPQA：GPT‐Live‐1 在 GPQA 上显著优于高级语音模式，该测试考查生物学、化学和物理学方面的专家级科学推理能力。 - BrowseComp：GPT‐Live‐1 在 BrowseComp 上比高级语音模式有显著提升，该测试考查智能体网络搜索和查找难寻信息的能力。 - τ3-Voice Telecom（内部变体）**：GPT‐Live‐1 在 τ3-Voice Telecom 上优于高级语音模式，该测试考查语音代理在真实的多轮电信支持任务中的表现。 * GPT‐Live‐1（即时）和 GPT‐Live‐1 mini 在后台使用 GPT‐5.5 Instant 模型，而 GPT‐Live‐1 Medium 和 GPT‐Live‐1 High 使用 GPT‐5.5 Thinking 模型，并分别采用中等和高推理努力。 **我们使用了由我们最新推理模型驱动的自定义用户模型进行此评估。 每周，超过 1.5 亿人使用语音和听写等功能与 ChatGPT 交谈。他们用它来获得免提的日常帮助、练习语言、讲睡前故事，或在通勤时闲聊。 从今天开始，当你点击语音按钮与 ChatGPT 交谈时，你将获得由 GPT‐Live 驱动的改进体验——更自然的对话、更智能的回答、更好的倾听以及视觉响应。 与 ChatGPT 交谈现在应该感觉更像真实的对话。你可以用问题打断、停顿整理思绪，或让 ChatGPT 放慢语速。它会自然地用“嗯哼”或“明白了”等短语回应你说的话，让你知道它在跟随。我们还为 GPT‐Live 重新制作了 ChatGPT 中的九个独特声音。 ChatGPT 语音现在可以利用我们最新的前沿模型，在你需要时给出更智能的回答。你还可以选择适合你需求的推理级别：即时用于快速回复，或在中和高两种级别下让 ChatGPT 花更多时间思考。 如果你需要片刻思考，ChatGPT 语音现在会等待，而不是跳进来打断。如果你让它保持安静并倾听，它会照做。而在有背景噪音（如过往交通或附近谈话）时，ChatGPT 能更好地专注于你的声音，而不是被干扰。 有些答案在能看到时更有用。在交谈过程中，ChatGPT 现在可以显示丰富的视觉卡片，涵盖天气、股票、体育等主题。语音还继续支持搜索、记忆、图片和文件上传。 结果是一个在日常生活感觉更自然、更强大、更实用的 ChatGPT 语音体验。 GPT‐Live 默认设计为安全的。它建立在我们最新模型的安全进步之上，同时在关键风险领域增加了专门的安全训练，并新增了为语音专门设计的安全防护措施。 为了更好地反映人们在实际场景中使用语音的方式，我们首先扩展了安全测试，纳入新的音频原生评估。我们还创建了合成评估，利用生成音频更集中地针对关键安全领域，借鉴了我们从高级语音模式中学到的经验。这些领域包括自残、精神病和躁狂症、对 AI 的情感依赖 (https://openai.com/index/strengthening-chatgpt-responses-in-sensitive-conversations/)、暴力和色情内容。内部专家还对模型进行了针对语音特有风险的红队测试。 在我们的测试中，GPT‐Live 在我们评估的几乎所有领域都表现与高级语音模式相当或更好。你可以在 GPT‐Live 系统卡片（在新窗口中打开）(https://deploymentsafety.openai.com/gpt-live) 中阅读更多关于我们的测试和安全措施。 由于语音对话是实时进行的，我们还构建了可以在模型说话时立即生效的安全措施。当系统检测到可能不安全的输出时，它可以引导模型做出更安全的回应、显示额外的安全消息或资源，或在较高风险情况下结束语音对话。对于涉及自残的对话，我们调整了 ChatGPT 为语音提供的支持流程，包括提供经过专家验证的危机热线支持。 我们设计了额外的保护措施以支持青少年用户，并直接在模型中训练了适龄行为，以降低不当回复的风险。家长可以通过家长控制选择他们的青少年是否可以使用 ChatGPT 语音，在涉及潜在自残或自杀意图迹象的较高风险情境下，关联的家长可能会收到通知。 我们还在推出长期测量和上线后监控，重点关注情感依赖，以继续改善我们的理解并完善防护措施。基于我们之前关于情感使用和情感健康的研究 (https://openai.com/index/affective-use-study/)，这将帮助我们识别新兴模式，并改进系统在情感敏感交互中的反应方式。 最后，GPT‐Live 是为对话设计的，而非声音模仿。它在 ChatGPT 中使用一组预定义的声音，并具备安全措施以防止模仿真人的声音。 我们致力于支持安全与福祉，并将随着我们从实际使用中学习而不断加强这些保护。 GPT‐Live 现在正在全球范围内向 iOS、Android 和 ChatGPT.com（在新窗口中打开）(https://chatgpt.com/) 的 ChatGPT 用户推出。GPT‐Live‐1 将成为 Go、Plus 和 Pro 用户的 ChatGPT 语音默认模型，而 GPT‐Live‐1 mini 将成为免费用户的默认模型。更多可用性详情请参见我们的帮助中心（在新窗口中打开）(https://help.openai.com/articles/20001274)。 我们针对 ChatGPT 中最常用的一些语言优化了 GPT‐Live。对于某些语言，模型可能带有非母语口音或存在流利度差距。我们正在积极努力改善跨语言的体验。 发布时，GPT‐Live 将不支持 ChatGPT 中的视频语音或屏幕共享，但我们正在努力尽快引入这些功能。你仍然可以访问旧版 ChatGPT 语音，包括标准语音模式和高级语音模式，这些功能在其中可用。