OpenAI发布GPT-Live连续语音交互：无轮次双向语音模型，对话更自然流畅

产品概况

8月3日，OpenAI发布GPT-Live连续语音交互技术。该技术采用无轮次（turnless）语音模型和低延迟架构，使用户与AI的语音交互不再局限于逐轮对话，而是实现连续、自然的双向交流。

技术特点

无轮次语音模型

GPT-Live的核心创新在于突破了传统语音助手的"轮次"限制：

• 双向同时语音：AI可以听和说同时进行，而不是交替等待
• 随时打断：用户可以在AI说话时随时打断和追问
• 自然对话节奏：对话更接近真实人际交流的节奏和流

低延迟架构

• 持续推理：模型在用户说话时持续推理，而非等待用户说完
• 快速媒体流：优化的媒体传输管道，将端到端延迟降至最低
• 状态保持：在连续对话中保持对话状态和上下文

委托处理

GPT-Live支持在不阻塞对话的情况下进行委托处理：

• AI可在对话中执行后台任务
• 从连续语音中提取离散指令
• 快速启动协议，会话建立更迅速

工程实现

六个月的开发周期

OpenAI工程师Justin Uberti和Zahan Malkani介绍，团队在六个月内完成了从概念到生产系统的开发：

• 从轮次模式转向流式架构
• 实现持续推理管线
• 在生产环境中用真实数据安全测试

应用场景

GPT-Live的连续语音交互能力为多个场景带来新可能：

• 实时翻译：自然流畅的双向语音翻译
• 语音助手：更自然的智能助手交互体验
• 教育辅导：学生可随时打断提问，获得即时反馈
• 会议助手：在会议中实时参与讨论
• 多任务协助：用户说话的同时AI可执行搜索、计算等操作

行业影响

语音交互的范式转变

GPT-Live标志着AI语音交互从"问答机器"向"对话伙伴"的转变：

• 语音不再只是文字输入的替代，而是独立的交互范式
• 实时语音正变得像实时运行时（runtime）而非听写工具
• 为智能体应用开辟了新的交互维度

对竞品的影响

• Microsoft MAI Realtime也以隐藏预览形式出现在MAI Playground中，支持双向全双工语音
• 字节跳动SeedRealtime同样支持实时音视频交互
• 语音AI竞争正在从"谁更聪明"转向"谁更自然"

后续观察

GPT-Live的正式上线时间、支持的平台和语言范围、以及更多第三方集成的推出，将是关键观察点。