ChatGPT 的语音模式，补上了迟到的一课。
北京时间今天凌晨（7 月 9 日），OpenAI 推出了新一代的实时语音模型 GPT-Live，并开始逐步接管 ChatGPT 里的语音模式。付费用户已经可以使用 GPT-Live-1，免费用户则使用能力稍弱的 GPT-Live-1 mini。
而这次升级最重要的变化，是换上了「边听边说」的全双工语音架构。
图片来源：雷科技
简单来说，过去 AI 语音交互更像是在用对讲机。用户说完一句，系统判断这一轮输入结束，再开始理解和回答。即便之前采用半双工语音架构的 ChatGPT「高级」语音模式已经支持中途打断，也依然没有完全摆脱一问一答的轮次结构。
但新版搭载 GPT-Live 的 ChatGPT 语音模式，可以在说话的同时持续听取用户输入。你可以随时插话，它也能根据停顿、语速和上下文，决定继续说、停下来，还是再等你一会。在长对话中 GPT-Live 也会用「嗯」「明白」一类短促反馈，表示自己还在听。
听起来很先进。不过放到整个行业里看，OpenAI 其实来得有点晚。不管是今年 3 月推出的 Gemini 3.1 Flash Live——用在 Gemini Live，还是 4 月字节跳动推出的原生全双工模型 Seeduplex——用到了豆包的语音通话模式中，都通过端到端实现真正的「边听边说」。
不过，GPT-Live 的出现，至少意味着 ChatGPT 在架构上终于追上了两位主要对手。而且实际用下来，三者也有明显的不同，豆包最懂中文用户怎么说话，Gemini 更在意 AI 能否看到周围世界，GPT-Live 则把大量精力放到了另一件事上：怎么让 AI 一边和人自然聊天，一边搜索、推理。
这是豆包之前就想做的。
先不急着拷问 ChatGPT。
打开 ChatGPT 的语音模式后，你大概就能在左上角看到新版用上 GPT-Live 模型的「Live」，而之前的高级和标准版则被归类为「旧版」。同时在语音模式的配置界面，还能看到「智能」的调节选项，直接对应了 GPT-5.5 即时、中等、高的三档智能水平。
图片来源：雷科技
没错，除了实现全双工语音架构，让 AI 实现真正的边听边说的「全双工」交流，GPT-Live 另一个很大的不同和升级，则是同时做到了把思考「外包」给 GPT-5.5。
简单来说，你可以把这种设计理解为「交互」和「思考」拆开，虽然 GPT-Live 也有一定的智能，但遇到搜索、复杂推理或 Agent 任务时，它可以在后台直接把工作交给 GPT-5.5 进行完成。
举个实际使用中的例子，在简单听了它自己对 GPT-Live 的介绍，随后我问了它（GPT-Live）与豆包、Gemini 在语音实时交互上的不同。
GPT-Live 没有给出几个产品和模型之间宽泛的区别，而是会从豆包在抗噪、低延迟等方面的技术讲到产品定位更强调语音交互本身的体验；从 Gemini 多模态实时交互的模型设计，讲到 Google 更看好统一的音视频实时交互。
内容比较具体，很少出现那种听上去什么都说了，实际没有回答问题的空话，同时联网信息也比较准确，知道豆包、Gemini 更早时候就支持了全双工语音。
左为豆包打电话，右为 Gemini Live，图片来源：雷科技
相比之下，豆包语音更倾向于给出短答案。即便明确要求它展开讲讲，回答通常也不会拉得太长。这当然不能全部归结为模型能力，还可能是一种主动「约束」：豆包希望电话模式始终保持轻量，尽量接近普通人打电话聊天，满足日常情绪价值。
当然，GPT-Live 的聪明，实际还要归功于背后的 GPT-5.5。在具体的设计中，GPT-Live 不仅支持智能调度不同推理强度的 GPT-5.5，也支持手动配置默认推理强度，比如选择即时模式会默认调用 GPT-5.5 即时，「中等」和「高」则会默认调用不同推理强度的 GPT-5.5 Thinking。
图片来源：OpenAI
这种设计对用户来说，直接拉高了实时语音对话中 AI 的智能水平。
毕竟谁也不想「对牛弹琴」。过去人类被 AI 语音助手「气疯」 的例子就不少，今天大模型大幅提高了 AI 的自然语言理解能力和智能水平，但不同于基于文本的语音消息对话——将人类语音转录成文本、将 AI 输出文本转成自然语音，实时语音对话往往会牺牲 AI 的智能水平，AI 有时候的回应仍然会气死人。
所以，如果说豆包升级 Seeduplex 后实现了「边听边说」，GPT-Live 更接近「边听边说边思考」。实际上，豆包 Seeduplex 发布时就展望了未来的突破方向，其中一点就包括：
「实现感知、思考、输出一体化，进一步探索『边听边想』、『边听边搜』等方案，让模型具备更深度的思考和执行能力，继续提升语音交互的流畅度。」
不只是在搜索、思考上，GPT-Live 实时语音交互实际上还优化了对话节奏。我说到一半卡住，思考接下来该怎么表达时，它也不是马上把对话接过去，而是先安静等待一会，不行再询问。这是一个很小的细节，却也在一定程度上决定了语音交互体验的「自然」。
事实上，我们实际在说话的时候，经常也会停下来想一想。过去的语音模型很容易把停顿当成一句话结束，于是用户只是吸了一口气，AI 已经迫不及待开始回答。豆包 Seeduplex 虽然宣称也改进了这一点，但实际来看还是更容易抢话。
不过说实话，我大概率还不会成为 ChatGPT 语音模式的忠实用户。
一方面相比英文发音，ChatGPT 的中文发音和你豆姐的「桃子音」还是差太远，这次升级也没有变化，还是更接近外国人说中文，多少有些别扭。
还有一个问题是，GPT-Live 在回答时，偶尔会出现明显的「卡壳」。结合文本输出的情况来看，大概率是 GPT-5.5 生成文本时会实时调整输出，放到屏幕上只是文字轻微变化，变成连续语音后，就会表现成停顿或者不自然的转折。
图片来源：雷科技
OpenAI 没有解释这种现象是否来自 GPT-Live 和 GPT-5.5 之间的协作，但从体验来看，两层模型的分工在带来更强能力的同时，也可能增加语音输出的复杂度。至少目前，GPT-Live 偶尔还会露出一点痕迹。
边说边听的全双工架构，是 AI 语音交互的必经之路，这一点毋庸置疑。
过去的我们都经历过「反人类」的语音交互：用户说完，AI 才开始想；AI 开口，用户最好先别说。真正自然的交流没有这么规整，人会犹豫、停顿、改口，也会在对方说话时用一句「嗯」表示自己还在听。AI 想成为一个可以长期交流的对象，得先适应这种连续、混乱，甚至有点含糊的对话。
在这一点上，豆包、Gemini 和 GPT-Live 已经走到了同一个方向，模型可以一边输出语音，一边继续接收用户输入。用户不用等 AI 把整段话说完，也不用每次都明确结束一轮对话。
但「边听边说」只是起点，具体怎么听、怎么说，以及听到之后能做什么，三家现阶段给出的答案有很大区别。
图片来源：OpenAI
豆包 Seeduplex 发布之时，字节当时花了很多篇幅讲抢话、误打断、背景人声和停顿判断。这些问题看起来很琐碎，却恰恰决定了电话模式像不像真的在和人说话。
比如用户停顿两秒，可能是在思考，也可能已经说完。旁边同事讲了一句话，可能是在和用户交流，也可能只是无关闲聊。所以它的优势也很直接，豆包在中文环境下对口语节奏、含糊表达和背景干扰的处理依然是三者中最稳的。
另一厢，Google 很早就把 Gemini Live 放进实时多模态的统一框架里，支持声音、摄像头画面、屏幕内容和文本输入，并不是几套临时拼起来的功能，而是同一段连续上下文中的不同信息。用户可以一边拍摄眼前的物体，一边追问怎么使用；也可以共享手机屏幕，让 Gemini 理解应用界面或者网页内容。
这套路线更强调统一感知。Google 想解决的，是让 AI 真正知道用户正在看什么、屏幕上发生了什么，以及环境里的声音是否值得回应，语音在这里更多是实时多模态助手的一部分，或者说一种交互方式。
说到这里，GPT-Live 首发暂不支持视频通话，想用视频还得切回旧的语音模型，而 Gemini 从一开始就把「听」和「看」统一在一个 Live 模型里。
不过，现阶段的模型统一，不意味着每一项体验都更好。至少在中文甚至多语言下，Gemini 实在差强人意，中文识别较差不说，有时候还会突然识别成其他语言。
我的普通话不至于吧，图片来源：雷科技
GPT-Live 则把重点放到了另一个问题上：AI 边听边说的时候，同时认真思考。这也是豆包发布 Seeduplex 时已经提到的下一步。
GPT-Live 没有强求一个实时语音模型包揽所有工作，而是采用了更灵活的架构设计，用今天最聪明的模型之一—— GPT-5.5 应对实时语音交互中更复杂的意图、需求和任务。
所以在实际体验中，GPT-Live 的回答明显更完整，在不破坏对话节奏的情况下，从多个层面分析问题，也能更好地处理更长、更复杂的追问。
不同的做法和思路，也反映在产品定位和交互设计上。Gemini Live 的通话和屏幕共享不是附加功能，而是整个交互的核心。它适合用户举着手机边看边问，也很符合 Google 对手机、眼镜、汽车和智能家居入口的长期想象。
而豆包的入口就叫「打电话」，界面、语气和回答长度都在尽量靠近普通电话。它通常不会连续讲很长时间，即便用户要求展开，回答也会保持相对克制。
ChatGPT 的设计则更接近一个完整 AI 工作台的语音界面。用户可以在同一段对话里从闲聊转向搜索，从简单问答转向文件分析，也可以继续要求模型深入推理。语音没有被限制在一个独立的电话模式里，而是要连接 ChatGPT 已经具备的整套能力。
三家都在追求自然，但对通往「自然」的想法和节奏并不完全一样。
所以，ChatGPT 终于追上豆包和 Gemini 了吗？
架构上，答案基本是肯定的。GPT-Live 补上了原生全双工语音能力，可以持续倾听、处理中断，也开始更准确地理解停顿。过去 ChatGPT 高级语音模式与豆包 Seeduplex、Gemini Live 之间那条明显的架构差距，已经不存在了。
体验上，却很难简单排出一个先后。想要最自然的中文发音、最稳的复杂环境识别，豆包依然更好；需要边看边聊、共享摄像头和屏幕，Gemini Live 的优势最明显；想通过语音深入讨论一个问题，甚至继续搜索、推理和执行任务，GPT-Live 已经开始领先。
三家最后大概率会逐渐补齐彼此的能力。豆包会加入更深的推理和视觉，GPT-Live 会重新接回视频，Gemini 也会继续加强 Live 模型与通用 Agent 之间的配合。
可以相信的是，AI 语音交互的体验会越来越好，一个「说话」而非「手指操作」为主要人机交互方式的未来，也会越来越近。