OpenAI推出GPT-Live全雙工語音模型

7月9日，OpenAI 推出 GPT-Live，一個基於全雙工架構的新一代語音模型。所謂全雙工，就是它能一邊聽一邊說，不用像老式對講機那樣等對方把話講完才能開口。這是語音互動從「半雙工輪替」跨到「自然對話」的關鍵一步。

OpenAI 會出兩個版本：GPT-Live-1 和 GPT-Live-1 mini。mini 版通常意味著更低延遲、更便宜、能跑在輕量或端側場景，主版本則負責對複雜語境和長對話兜底。把兩個檔位同時擺出來，是 OpenAI 一貫的打法——先證明能力上限，再補一個能規模化的便宜版。

為什麼這事值得單列一條？OpenAI 在文字和影象上早已鋪滿產品線，唯獨「實時語音」一直是短板。早年的語音模式靠 ASR 加 LLM 加 TTS 三段拼起來，延遲高，還會在「誰該說話」上卡頓。GPT-Live 把聆聽和生成做成同一套流式管道，目標場景很明確：電話客服、語音助理、低延遲陪聊，這些地方半雙工根本不夠用。

同日 AI 圈不止這一樁。介面新聞的早報裡還堆著幾條：Meta 計劃 9 月開始生產代號「Iris」的自研 AI 晶片，今年先部署 7 吉瓦算力、明年翻倍到 14 吉瓦，並已拉攏三星電子（記憶體）、閃迪（快閃記憶體）、住友電工（光纖）籤長期供貨；星巴克在用 AI 自研內部工具，打算替換掉微軟的庫存系統和 IBM 的維護系統；Meta 還宣佈投 130 億加元（約 100 億美元）在加拿大艾伯塔省建首個資料中心，電力容量 1 吉瓦。算力軍備和「去巨頭依賴」是同一股勁兒。

往上捋，語音模型的競爭早就不只是「能不能對話」。Google 的 Gemini 實時音影片、各家廠的電話 agent 都在搶「像人一樣不打斷」的體驗。OpenAI 這一步，是把自家最弱的一塊補到能打的位置，也為後續把語音塞進更便宜的入口（比如 mini 版進 App、進硬體）鋪路。

對做產品的來說，全雙工語音意味著互動設計要重想一遍。過去那種「你說完—我轉圈—我回答」的節奏可以扔了，新問題是：模型怎麼在使用者停頓、猶豫、插話時拿捏「該不該接話」。這既是體驗紅利，也是坑。