過去兩年，和 AI 對話大致有兩種樣子：在聊天框裡打字，或是對著麥克風口述，再等上一兩秒聽它一句略顯生硬的回覆。OpenAI 最新推出的語音模型 GPT-Live，想改寫的正是這個節奏，它讓 ChatGPT 能一邊說、一邊持續聆聽，正式把 OpenAI 推進 AI 全雙工（full-duplex）競賽。《VentureBeat》更指出，在多家業者已經投入相同技術的此刻，聊天框走向終點的那一天，可能比任何人預期的都更近。
不必等你把話說完：全雙工如何改變人與 AI 的互動
GPT-Live 由 GPT-Live-1 與 GPT-Live-1 mini 兩款模型組成，即日起在 iOS、Android 與 ChatGPT.com 全球上線，取代原本的進階語音模式（Advanced Voice Mode）。付費用戶預設使用 GPT-Live-1，免費用戶則用 GPT-Live-1 mini。
它最關鍵的技術轉變，OpenAI 稱為全雙工架構。在電信領域，全雙工指通話雙方能同時說與聽；放到 AI 上，意思是模型在生成回應的同時，仍持續處理你正在說的話，不再需要等一個乾淨的靜默，才判斷你講完了沒。用 OpenAI 的說法，模型每秒可做出多次互動決策：該說話、繼續聽、停頓、插話，還是呼叫工具。
實際體驗上，這讓語音助理能在你還在說話時插入「嗯哼」、「對」、「了解」這類回應，在自然的停頓處接話而不搶快，也能在被打斷時不至於整段脫軌。《Business Insider》的示範中，使用者要求 ChatGPT 一邊確認會議日期、一邊查天氣與路況，模型以簡短的「嗯」、「好」回應，並在使用者不斷追加需求時仍沒有跟丟。
相比之下，OpenAI 在 2024 年 9 月推出的進階語音模式雖然已把處理與生成收進單一模型，卻仍以僵硬的輪流方式運作。由於它靠靜默來判斷發言結束，一個短暫停頓或背景雜音都可能被誤判成「你講完了」，於是不合時宜地插話。有研究者在 X 上形容那種體驗像「對講機式的輪流」，而 GPT-Live 要終結的正是這個時代。從 2023 年初代 ChatGPT 語音的串接式管線（語音轉文字、大型語言模型、文字轉語音三段接力，早期約有 1,700 毫秒延遲），到單一模型的進階語音模式，再到如今能連續處理的 GPT-Live，語音 AI 的互動節奏正一代比一代更接近真人對話。
把「聲音」和「腦袋」拆開：語音層與推理層分離
GPT-Live 的第二個結構性改變，對企業應用或許同樣關鍵：它把語音互動層和推理層拆開。當使用者問的是直接問題，GPT-Live 自己就能回答；一旦問題需要網路搜尋、更深的推理或代理式（agentic）工作，它會把任務交給在背景運行的前沿模型，上線時是 OpenAI 四月發表的 GPT-5.5，並在運算非同步進行的同時，繼續和你把對話講下去。
這是一個模組化的設計：OpenAI 能替換背後的推理引擎，而不必重新訓練語音模型本身，未來推出更強的前沿模型時，也能直接更新 GPT-Live 所調用的模型。《VentureBeat》指出，這對企業與開發者工作流的意義不小，建立在這套架構上的語音代理，可以一邊和客戶自然對話，一邊在背景查詢資料庫、搜尋網路或執行多步驟推理，而這些在舊有管線下往往會製造好幾秒的空白。GPT-Live 也能在語音對話中帶出天氣、股價、運動比分與地圖等視覺卡片，並讓使用者在即時、中等、高三種推理強度間選擇。
一位取得預覽權限的使用者在 X 上的評論，某種程度點出了重點：真正變新的不是「智商」，困難的問題仍交給 GPT-5.5，變新的是「感覺」，一種邊說邊聽的全雙工體驗。
全雙工正在變成基本款：Google、字節跳動、NVIDIA 都在場上
在 OpenAI 打磨產品的同時，對手早已推出各自的全雙工系統。Google 的 Gemini Live 已在 Gemini App 提供全雙工對話，還支援 GPT-Live 上線時尚未具備的相機與螢幕分享；Google 也在三月釋出 Gemini 3.1 Flash Live，主打低延遲的即時語音。字節跳動四月在旗下豆包（Doubao）App 推出 Seeduplex，宣稱是首個大規模部署的量產級全雙工語音 AI，並表示相較前一代半雙工系統，錯誤回應與錯誤插話率降低約 5 成。NVIDIA 一月發表的 PersonaPlex，則為全雙工模型加入可自訂的聲音與角色控制，打破了自然語音模型只能綁定單一固定聲線的限制。
不只大廠。前 OpenAI 技術長 Mira Murati 領軍的 Thinking Machines 五月預告了類似技術，強調要讓互動原生地跨音訊、影像與文字連續處理，而不是逼人去遷就 AI 的介面；Apple、Amazon 也讓各自的助理更會對話、更能掌握上下文；由 Oculus 共同創辦人 Brendan Iribe 等人成立的 Sesame，同樣推出能自然對話、並在背景完成任務的 AI 助理。
《VentureBeat》觀察，全雙工語音正在成為消費級 AI 產品的基本門檻，而不是差異化的賣點。OpenAI 的優勢，主要落在既有龐大的使用者基礎、與 GPT-5.5 推理能力的整合，以及 ChatGPT 生態系的廣度，每週已有超過 1.5 億人透過語音與聽寫功能使用 ChatGPT。但任何一家公司能獨占自然語音的窗口，其實已經關上。
語言、影像、API 都還沒到位：能走多快，取決於補完這些缺口
在介面轉變的同時，GPT-Live 也還有明顯缺口：它上線時不支援語音搭配影像或螢幕分享，而這正是 Gemini Live 已有的能力；語言支援有限，OpenAI 坦言某些語言可能出現非母語口音或流暢度不足，《TechCrunch》就觀察到，即時翻譯的印地語示範帶著濃重美式口音、語氣偏書面而不自然。
此外，GPT-Live 上線首日並未開放 API，意味著企業開發者還無法直接以它打造商用語音代理，而 Google、ElevenLabs、Deepgram 等對手早已備妥面向開發者的產品，這道時間差可能拖慢它進入商業工作流的速度。
安全上，OpenAI 為 GPT-Live 建立了以即時語音風險為核心的評估，新增音訊原生測試，涵蓋自我傷害、性內容、違法行為、情感依賴、心理健康與仇恨言論等類別，並設計了能在模型說話當下介入的即時防護：導向較安全的回應、提供危機資源，或在較高風險情境直接結束語音對話，另有針對青少年的額外保護。
儘管主打自然，OpenAI 也強調目標並非打造 AI 陪伴者。值得注意的是，在使用真實用戶語音的評測中，GPT-Live 多數類別持平或改善，唯獨情感依賴出現小幅退步，OpenAI 稱此變化未達統計顯著。這也是為什麼它表示，會針對情感依賴展開更長期的追蹤與上線後監測，GPT-Live 所追求的自然，本身就可能構成一種新的風險。
回到最初的問題。OpenAI 產品負責人形容，他在散步時已能和語音功能進行 30 到 40 分鐘的對話，公司也明言看好語音成為處理複雜、長時間、代理式工作的主要介面。就現況而言，全雙工從差異化賣點變成基本門檻的趨勢已相當明確，人與 AI 的互動節奏也確實一代比一代接近真人；至於「聊天框的終點」是否真的近了，答案或許就藏在語言、影像與 API 這幾道尚未補完的缺口裡。
【推薦閱讀】
◆ Meta 首款 AI 圖像模型 Muse Image 登場：真正難複製的優勢，藏在 Instagram 裡
＊本文開放合作夥伴轉載，資料來源：《VentureBeat》、《Business Insider》、《TechCrunch》、OpenAI，首圖來源：OpenAI
