過去 ChatGPT 語音功能雖然已經很不錯用，但長時間用下來應該還是會有一種感覺，有時回答笨笨的且很慢，對話起來卡卡的，不是那麼順暢。
隨著稍早 OpenAI 推出新一代語音模型 GPT-Live，這部分已獲得大幅改善，從「你講完、它回答」的模式，變成更接近真人聊天。也就是說，GPT-Live 不再需要等你講完整句才開始處理，而是能在回應的同時，也繼續聆聽你補充的內容，甚至是打斷它、要求它講慢一點。
更重要的是，如果遇到需要網頁搜尋、深度推理或更複雜的任務，背後會委派給 OpenAI 最新前沿模型處理，目前搭配的是 GPT-5.5，之後如果有新模型也會更新。
圖片來源：OpenAI
GPT-Live 跟過去 ChatGPT 語音差在哪？
ChatGPT 語音功能發展至今，大致可以分成三個階段：最早期的「串接式語音系統」、後來的「進階語音模式」，以及這次的「GPT-Live」。
最早期的「串接式語音系統」流程為：使用者講話 → 語音轉文字 → 大語言模型產生回答 → 文字轉語音：
截圖來源：OpenAI
這方式的好處，是讓使用者第一次可以真的用語音跟前沿 AI 模型對話，不用每次都打字。不過因為中間要經過多個模型與格式轉換，所以流程比較長、延遲比較高，實際聽起來就會有一種「停一下、想一下、再回答」的感覺。
進到「進階語音模式」後，雖然對話變順了，但一樣是「你講完我才講」的流程。因此常常都會遇到類似狀況，只是停頓兩秒想一下，或旁邊剛好有背景聲音，模型就以為你講完了，於是開始插話
截圖來源：OpenAI
而最新一代的「GPT-Live」關鍵差異是，採用 full-duplex 全雙工架構。白話一點說，它不再只是等你講完才回答，而是能在說話的同時，也繼續聽你補充的新內容：
截圖來源：OpenAI
這讓 GPT-Live 可以在對話中持續做判斷，像是現在要不要繼續聽、要不要暫停、要不要插話、要不要回應，或要不要在背景呼叫工具處理更複雜的工作。OpenAI 也提到，這讓模型能做出更自然的來回互動，甚至支援即時翻譯這類連續性的使用情境。」
| 類型 | 運作方式 | 優點 | 限制 |
|---|---|---|---|
| 早期 ChatGPT 語音 | 語音轉文字、文字模型、文字轉語音三段串接 | 可以用語音跟 AI 對話 | 延遲高、停頓明顯、較不自然 |
| 進階語音模式 | 單一模型處理音訊，但仍是回合式 | 比早期更順、更快 | 仍需判斷使用者是否說完，容易插話 |
| GPT-Live | 全雙工架構，可同時聆聽與說話 | 可邊聽邊說、能等待、能插話、互動更自然 | 推出初期仍有部分功能限制 |
GPT-Live 有哪些特色？
就如同上面提的，GPT-Live 最大的改變是，它能在產生回應時持續接收使用者語音。
舉例來說，當你請 ChatGPT 幫你規劃旅行，它回答到一半時，你可以直接插話說「等一下，改成適合帶小孩的版本」，新版語音會更自然地接住這變化。
GPT-Live 回答時也更有人性，不會每次都很正式。OpenAI 表示，它可以用類似「mhmm（嗯哼）」、「got it（知道了）」這種簡短語氣表示自己正在聽。
這改變看起來很小，但對語音體驗其實很重要。真人聊天時，我們不會每次都等對方講完整篇才反應，中間多少會用「嗯」、「我懂」、「對」這類回應，讓對方知道自己有在聽。GPT-Live 加上這互動細節後，對話感會更接近真人。
此外，當你講到一半停頓時，它也比較不會急著插話。
GPT-Live 有更好的聆聽能力，如果你需要時間思考，它會等待。如果你明確要求它先安靜聽你講完，它也能照做。OpenAI 也提到，新版 ChatGPT 語音對背景噪音的處理更好，例如路上車聲、旁邊有人講話時，比較能專注在使用者的聲音，而不是被環境聲干擾。
還有一個非常重要的設計：把「自然語音互動」和「複雜任務處理」拆開。
GPT-Live 主要負責持續聽、持續說、維持對話節奏。但如果詢問的內容需要透過網頁搜尋、深度推理、或更像代理工作的任務，它會把工作交給 GPT-5.5 這類更強的背景模型。等結果準備好後，再帶回語音對話裡。
GPT-Live-1 instant 和 GPT-Live-1 mini 會使用 GPT-5.5 Instant 作為背景模型，而 GPT-Live-1 Medium、GPT-Live-1 High 則會使用 GPT-5.5 Thinking，搭配不同推理強度。
補充：這次 OpenAI 推出的 GPT-Live 共有「GPT-Live-1」與「GPT-Live-1 mini」兩個版本。實際使用時，GPT-Live-1 還可依你的任務需求，選擇 Instant、Medium、High 不同推理等級。
最後是如果有需要，新版 ChatGPT 語音也會同步顯示視覺答案。OpenAI 舉例，語音對話中可以顯示天氣、股票、運動賽事等資訊卡片，語音也會繼續支援搜尋、記憶、圖片與檔案上傳。
OpenAI 分享測試結果：GPT-Live 明顯優於進階語音模式
OpenAI 這次也公布了 GPT-Live 與進階語音模式的多項測試數據，從人工偏好、對話流暢度，到科學推理、代理式搜尋、多輪語音客服任務，都可以看出 GPT-Live 相較進階語音模式有明顯進步。
首先是人工偏好測試，評估項目包含整體偏好、輪流說話、插話狀況、對話流暢度，以及互動是否自然。GPT-Live-1 的偏好率為 75.7%，GPT-Live-1 mini 為 69.2%，而 50% 是雙方持平基準。也就是說，在相同條件下進行語音對話時，多數評測者更偏好 GPT-Live 的對話感：
圖片來源：OpenAI
對話評分部分，GPT-Live-1 在「對話流暢度」拿到 4.96 分，GPT-Live-1 mini 是 4.33 分，進階語音模式則是 3.80 分；「愉悅程度」部分，GPT-Live-1 是 5.19 分，GPT-Live-1 mini 是 4.47 分，進階語音模式為 3.82 分：
圖片來源：OpenAI
GPQA 是測試生物、化學、物理等專家級科學推理的基準。圖表顯示，進階語音模式成績為 45.3%，GPT-Live-1 mini 為 74.9%，GPT-Live-1 instant 為 76.5%，GPT-Live-1 medium 為 81.7%，GPT-Live-1 high 則達到 84.2％，提升非常多：
圖片來源：OpenAI
BrowseComp 是測試代理式網頁搜尋能力，差距更誇張，進階語音模式只有 0.7%，GPT-Live-1 mini 為 31.6%，GPT-Live-1 instant 為 35.1%，GPT-Live-1 medium 為 60.6%，GPT-Live-1 high 則達到 75.2%：
圖片來源：OpenAI
最後是 τ³-Voice Telecom，這是 OpenAI 內部用來測試語音代理在多輪電信客服任務中的表現。從圖表來看，GPT-Live-1 medium 與 high 的任務成功率都落在約 60% 以上，明顯高於進階語音模式約 30% 的水準；GPT-Live-1 mini、Instant 也比 AVM 更高：
圖片來源：OpenAI
GPT-Live 推出時程與可用平台
OpenAI 表示，ChatGPT Go、Plus、Pro 使用者預設會使用 GPT-Live-1，免費使用者則預設使用 GPT-Live-1 mini。OpenAI 也計畫很快把 GPT-Live 帶到 API，開發者與企業可以先登記通知。
初期還有一個限制要注意：GPT-Live 暫時不支援 ChatGPT 中搭配影片或螢幕分享的語音功能。需要影片或螢幕分享時，可使用舊版一般語音模式或進階語音模式。
不過目前還沒全面推出，我的還顯示即將推出：
