Full text · 原文
2,348 字
Jay 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
同声传译，这下可能是真寄了啊……<br>
刚刚，OpenAI发布了GPT-Live，语音交互迎来了一次质的飞跃。<br>
真·一句话说完，瞬间翻译。<br>
俩老太太也是角色扮演上了。<br>
这效果，说实话，比去年AirPods Pro 3宣传片里画的饼强太多了。<br>
Apple Intelligence你慢慢上线吧，我等OpenAI自己出硬件了（doge）。<br>
更重要的是推理+搜索能力的提升。<br>
老太太把GPT当Google使，一会儿问天气，一会儿考历史，你来我往跟抬杠大赛似的。<br>
而且全是有效信息，AI终于不再用一堆车轱辘话敷衍你了。<br>
除此之外，官方还一次性放出了一堆demo。<br>
厨房场景：不用再对着空气大喊Siri了。GPT可以边一步步指导你烹饪，边帮你计时，真正解放双手。<br>
面试复盘：智能水平大幅提升，AI帮你复盘面试表现，甚至现场教你如何谈薪资。<br>
甚至，OpenAI昨晚还开了一场直播进行现场演示，也是很自信了。。。<br>
感兴趣的可以到官网查看更多demo。<br>
OpenAI透露，每周有1.5亿人在和ChatGPT对话。而现在，你手机上的那个白色软件，要变成可随时煲电话粥的「真人」了。<br>
真·美国版豆包（bushi）。<br>
全新的ChatGPT语音体验<br>
总结一下，新的语音模式主要有三点改进。<br>
1、更自然的对话。<br>
以前和AI语音聊天，最怕的就是「抢麦」。现在，你可以随时插话、停下来思考。<br>
当你说话时，它还会时不时发出「嗯、对」这种简短的回应，让你知道它在听。<br>
在抗噪方面也做了优化，面对马路上的车流声或旁边的闲聊，它能更精准地聚焦你的声音。<br>
但关于这一点，评论区有不同声音，不少网友表示，虽然更流畅了，但也老是装作「松弛」地打断用户。<br>
可能还是需要视觉信息吧，毕竟即便是人在开腾讯会议时，也会经常出现互相打断的情况，微表情还是很重要的上下文。<br>
对了，「声优」们也升级了，OpenAI这次特意为GPT-Live重新打磨了ChatGPT里的9种默认音色。<br>
2、更聪明的回答。<br>
以前的语音模式，往往调用的是相对较弱的模型，但这次，ChatGPT Voice接入了GPT-5.5。<br>
还支持自定义推理强度：<br>
Instant：适合查天气、闲聊等快问快答，主打秒回。<br>
Medium / High：适合需要深度思考的复杂问题。<br>
3、可视化对话。<br>
边听边看，体验拉满。<br>
在语音对话中，ChatGPT 可以实时弹出天气、股票、体育赛事等主题的可视化卡片，不用你再切回屏幕去干看文字。<br>
此外，语音通话现在全面支持联网搜索、记忆功能、图片识别和文件上传。<br>
这意味着，语音不再是一个独立的「阉割模式」，而是正式成为了ChatGPT全套能力的统一交互入口。<br>
全新的AI交互范式<br>
如果你用过之前的ChatGPT语音模式，大概率会有这种感觉：<br>
刚上手很惊艳，用久了就发现——完全是鸡肋啊！！<br>
你说一句，它顿一下再回你；你再说，它再回。永远有一种回合感。还特别喜欢反问，动不动就「还有什么我可以帮你的吗？」<br>
为什么会这样？<br>
最早期的ChatGPT Voice，本质上是三个模型在接力跑：<br>
1、先把你的语音转成文字（ASR）<br>
2、再把文字喂给大语言模型生成回复（LLM）<br>
3、最后把文字转成语音读出来（TTS）<br>
三个模型串联，每一步都有延迟，每一步都在丢信息。你说话时的语气、停顿、情绪，在第一关语音转文字时就被抹平了。<br>
上下文不够，自然会有问题。<br>
后来OpenAI搞了Advanced Voice Mode，把音频处理和音频生成塞进了同一个模型里，做成端到端，延迟确实降了不少，对话也顺滑了一些。<br>
但它骨子里还是「轮次式」的。通过检测「沉默」来判断你是不是讲完了。所以你稍微停顿想个词，或者旁边有人咳了一声，它就可能觉得「好，轮到我发言了」，直接抢麦。<br>
GPT-Live这次在两个地方动了刀子。<br>
1、全双工架构：边说边听<br>
在说话的同时，还在听你在说什么。<br>
GPT-Live不再只处理一个个分开的消息序列，而是在生成输出的同时持续处理输入。因此，模型可以在一秒内多次判断互动策略。<br>
这让对话终于有了真正的「来回感」，时间感知更精准，也天然支持了实时翻译等需要极低延迟的场景。<br>
2、深度任务委托：前台陪聊，后台干活<br>
本质上就是个路由。<br>
GPT-Live 负责前台的连续语音交互，保持对话流畅不卡顿；<br>
但当你问的问题需要联网搜索、深度推理或更复杂的代理能力时，它会悄悄把任务委托给GPT-5.5这样的重型模型在后台处理。<br>
这样一来，即使后台正在处理多个复杂任务，前台的语音对话也完全不会中断。<br>
最终效果在Benchmark上也有体现。<br>
OpenAI专门为GPT-Live建立了一套新的人工评测体系，核心就衡量两个指标：愉悦感和对话丝滑程度。<br>
结果显示，在「像不像真人聊天」这件事上，GPT-Live确实做的不错。<br>
至于推理和搜索能力，则更是薄纱之前的AVM了。尤其是Agentic Search这一块，官方数据说直接提升了100倍……<br>
其他细节就不展开了，数据大家看看就行，Demo才是最有说服力的。<br>
OMT<br>
《Her》里的那个场景，可能比所有人想象的要来得更快。<br>
从键盘到鼠标，从触屏到语音助手，每一次交互方式的改变，都重新定义了什么是「用电脑」。<br>
但之前的语音交互，说到底还是命令式的。你跟Siri说「设个闹钟」「放首歌」，是在对机器下指令。<br>
GPT-Live让我第一次觉得，跟AI说话这件事，从「使用工具」变成了「跟一个人交流」。<br>
未来，你手机右下角那个语音通话按钮，可能会变成你最常用的入口。<br>
参考链接：<br>
[1]https://openai.com/index/introducing-gpt-live/