阅读预计 5 分钟
本文转载自OpenAI放出GPT-Live，背后是GPT5.5，实时语音有点恐怖了
想象一个场景。
你下班走在路上，随口跟手机说：“帮我查一下的航班会不会延误，顺便看看公司附近有没有能坐一小时的咖啡店。”
Siri、小爱大概率会沉默三秒，然后开始念一段网页摘要。再不然就是——抱歉，我暂时还做不到。
今天，OpenAI正式发布了GPT-Live，这个事情以后可能要被颠覆了。
大家普遍的风评是“像真人一样说话”、“同声传译要失业了”……。
但说实话，这些都是GPT-Live 最表层的东西。
这模型最牛的是——
它把自己变成了一个“前台”。真正干活的，是后面的 GPT-5.5。
要理解这件事为什么重要，得从语音AI的一个老矛盾说起。
◈要快，还是要聪明？
过去几年，不管是Siri、Alexa还是ChatGPT Voice，都卡在这一个点上。
快，意味着模型要小、推理要轻，这样延迟才低。但小模型能力有限，稍微复杂一点的问题就答不好。
聪明，意味着要用大模型，但大模型推理慢，对话体验直接崩掉。
所以之前的语音AI基本只能二选一：要么像Siri一样反应快但蠢，要么像旧版ChatGPT Voice一样虽然聪明，但经常沉默到让人尴尬。
而GPT-Live的解法是把这两件事拆开。
前台是GPT-Live。一个专门为实时对话优化的模型，反应快、延迟低。你说话的时候它在听，你停下来它知道该接，你打断它它不会硬着头皮念完。
后台是GPT-5.5。当对话中出现需要搜索、深度推理、数学计算、或者复杂任务的时候，GPT-Live就会把问题打包丢给后台的GPT-5.5。
GPT-5.5在后面跑完把结果传回来，GPT-Live再用自然语言说给你听。
更细的分级是，如果你用的是Instant或mini模式，后台跑的就是GPT-5.5 Instant；如果用Medium或High模式，后台跑的就是GPT-5.5 Thinking。
OpenAI把这个叫委派（delegate），在官方评测中，比起上一代语音模式，GPT-Live的对话流畅度从3.80分跳到了4.96分（满分 7 分）。
一个拿到内测的开发者表示，自己在散步时跟GPT-Live连续聊了一个小时，它会先接着聊，后台默默把答案跑出来。
官方演示里，主角把GPT-Live当搜索引擎使，一会儿问天气一会儿考实时信息流，问东问西的，查到的信息全部真实有效。
这个架构带来的体验优化很大。不过，产品层面还有不少坑要填。
◈好架构，粗手艺
首先，GPT-Live上线时不支持视频和屏幕共享。你不能举着手机让它看你面前的东西——至少目前不行。
其次，它暂时不面向B端用户，也不支持桌面端App、Codex和自定义GPT。而且，API的定价都还没有公布。
不过，参考上代gpt音频模型输入价格，是在每百万token 32美元、输出64美元，mini版便宜一些（10 和 20 美元）。
而且根据既往经验，语音API的价格还不止这些。模型说出口后，哪怕被打断的对话也会产生费用，连续打断几次就会成本会爆。
总体看，真的不便宜。
还有一个槽点就是GPT-Live学会了“嗯嗯”、“对”这种垫话，但有时候会过于主动地打断用户。
◈赛道里的其他人，在拼什么？
GPT-Live选的这条路，在当前语音AI赛道里是比较独特的。
把几家主要玩家拉出来看，大家押注的方向很不一样。
先看国内。
字节豆包4月上线了全双工语音模型Seeduplex，这是国内第一个规模化落地的全双工语音模型。它解决的核心问题也是——边听边说、不抢话、不误打断。
但豆包目前的重心还是在“对话体验”层面，可以和AI共享屏幕，打视频，但没有像GPT-Live那样明确打出后台委派强模型的牌。
MiniMax1月发布了 MiniMax Speech 2.8，主打TTS和声音克隆。这个模型专门补了真人说话里的小瑕疵，比如 “um”“ah”、呼吸、停顿、清嗓子等这些语气标签。
用户给一段10秒参考音频，它就能做声音克隆，还强调更干净的录音棚级输出。
价格上，speech-2.8-turbo是60 美元/百万字符，speech-2.8-hd是100美元/百万字符。更像是内容生产工具，适合有声书、短视频配音、AI 角色、客服播报。
面壁智能4月发布了MiniCPM-o 4.5，走的是全模态全双工路线，端侧开源小钢炮。它可以在同一条时间轴上同时处理视觉、环境音频和输出流。简单说，就是边看、边听、边说。
比GPT还要全能，而且——开源免费。
语音生成侧，面壁还有 VoxCPM2，支持30种语言和9种中文方言，可以做音色设计、可控声音克隆，原生输出48kHz音频。这个方向和小米有点像，都在做更便宜、更轻、更可部署的语音底座。
小米7月上线了 MiMo-V2.5-TTS Series + ASR。其中MiMo-V2.5-ASR主打语音识别，支持中英双语、粤语/吴语/闽南语/四川话等方言、强噪音、多说话人、歌词识别和原生标点。按音频转写时长计费，0.5 元/小时。
再看海外。
Google推的是Gemini 3.1 Flash Live Preview，主打低价多模态。每分钟大概只有0.036美元，比OpenAI上代的gpt-realtime-2.1（输入 32、输出 64 美元）便宜一个数量级。
此外，谷歌还单独出了Gemini 3.5 Live Translate，支持70+语言实时翻译，每分钟输入成本不到1美分，比的就是谁便宜、谁快、谁的语种多。
还有个比较知名的垂类玩家，ElevenLabs。它走的是企业语音Agent路线，核心卖点是极致音色还原、电话/SIP接入、RAG知识库，每分钟通话0.08美元。
拉开来看，语音模型方面大家押注的方向虽然不太一样，但所有人都在押注，语音会成为AI的下一个默认入口。
◈当说话比打字更自然
OpenAI说，每周有超过1.5亿人在用ChatGPT的语音和听写功能。
当GPT-Live把对话体验做到接近自然、后台又有最强模型兜底的时候，很多人可能会慢慢习惯跟手机说话。
通勤、做饭、开车、跑步、带孩子——这些场景里你腾不出手打字，但你可以说话。GPT-Live赌的就是这些场景。
让前台负责像人，让后台负责有用。这两件事最终能不能在一个产品里平衡好，可能要等几亿用户真正用起来之后才知道。
但回到开头那个场景——你走在路上，随口问了一句航班和咖啡店的事。
以前，这句话会掉进沉默里。现在，至少有一个产品试图让它不掉。
