OpenAI 近期发布的 GPT-Live 和 GPT-5.6 引发热议，但两者本质不同。本文从产品视角拆解 GPT-Live 如何解决语音助手的“对讲机”痛点，通过全双工架构与分层设计实现自然对话，同时指出其视频、API 等短板，为语音硬件与产品团队提供深度参考。

这几天很多人以为 “GPT-5.6” 是个语音模型，其实不是。GPT-5.6 是 OpenAI 7 月 9 日放出来的文本模型，分 Luna、Terra、Sol 三档，卖点是更便宜、上下文更长，跟语音没直接关系。

真正在语音上动手的，是前一天（7 月 8 日）发布的 GPT-Live。它是一条单独的产品线，现在已经成了 ChatGPT 语音的默认引擎。如果你关心的是”跟 AI 说话到底变好没有”，那要看的是 GPT-Live，GPT-5.6 只是它后台调用的模型之一。

我把官方发布页和几家评测翻了一遍。这次真正想聊的是站在产品角度看，GPT-Live 到底改了什么、为什么这么改，又留下了哪些没解决的窟窿。

一、它想解掉的是”对讲机”这个老毛病

我们现在用的语音助手，不管是 Siri 还是过去的 ChatGPT 语音，底层都是半双工，也就是对讲机那套：你说 → 它检测到你停了 → 识别 → 生成 → 播报，一轮一轮来。

这套流程的问题，用过的人都有体感：

一是它靠”检测静音”来判断你说完没有。你中间喘口气，或者旁边一辆公交车开过去，它就以为轮到自己了，直接插话。

二是它念的时候你插不进嘴。想打断只能等它念完，哪怕它已经答偏了，你也只能干听着。

GPT-Live 改的就是这件事。它的架构是全双工，一边听一边说。落到交互上是这么几个变化：

• 它说话的时候，你可以直接打断，它会立刻停下来听；
• 你说的时候，它会用”嗯””对”这种词接一下，让你知道它在听；
• 它每秒钟都在判断：现在是该开口、该继续听、该停一下、还是该去调个工具。

过去的做法是二选一。要么用小模型，反应快但答得浅；要么用大模型，答得好但你得盯着屏幕上的加载点等它。语音场景里，后者尤其致命，因为没有屏幕，用户看不到”它在转圈”，只能听到一段突如其来的沉默，体验上就是卡壳、就是冷场。

GPT-Live 的解法是不选了，拆开。交互层负责别让场子冷掉，委托层负责在后台把难题算出来。这就像一个反应快的主持人，遇到难题不会当着你面愣住，而是一边说”这个问题有意思，我想想啊”一边在脑子里盘。

对做产品的人来说，这里的启发不是”我们也上全双工”，而是这个拆分思路本身：当一个体验里同时有”实时性”和”深度”两个要求、而它们又互相打架时，不一定要在一个模型里硬凑，可以拆成两条链路各自优化。

二、后台大脑可以随时换，这是个偷偷埋下的伏笔

前面说 GPT-5.6 是”后台调用的模型之一”，这里能接上了。

GPT-Live 现在后台用的是 GPT-5.5。但 OpenAI 说得很明确：以后出了更强的模型，后台直接换，语音这套架构不用动。

具体档位是这么分的（据官方和多家评测）：GPT-Live-1 和免费版的 mini 后台走 GPT-5.5 Instant，主打快；Medium 和 High 两档走 GPT-5.5 Thinking，用响应速度换更深的推理。也就是说，连”要多聪明”这件事都做成了可调档。

这个解耦对产品的价值在于：语音交互的”体感”（反应快不快、自不自然）和”智商”（答得对不对、深不深）被拆成了两件事，可以分开迭代。用户手里这个助手会无感升级——某天你会发现它答得更好了，但打开方式、说话方式一点没变。等 GPT-5.6 Sol 接进后台，语音端不用重新做，能力自动往上走。

往这个角度想，GPT-Live 更像一个语音交互的壳，装在外面，后面的大脑随时能换。这是很典型的平台化思路。

三、数据：它比旧版语音好多少

OpenAI 给了几组对比，参照的是现在的高级语音模式（Advanced Voice Mode）。这些数字是厂商自己报的，没放具体分数，当趋势看，别当成绩单：

用户偏好度上，在 5 到 10 分钟的真实对话测试里，75.7% 的用户更喜欢 GPT-Live-1，评价维度包括整体偏好、轮流对话、打断、流畅度和交互的自然度。GPQA（专家级理科推理）上，GPT-Live-1 明显高于高级语音模式；BrowseComp（联网查难查信息）上也是同样的结果。还有一项内部的电信客服多轮任务测试，GPT-Live-1 表现也更好。

后面三项其实都是委托层的功劳——这些题靠语音模型自己答不了，是甩给后台大模型算出来的。这也反过来印证了那个拆分设计：语音端保流畅，后台保智商。

四、该泼的冷水：这几个坑现在还在

作为一篇给产品同行看的拆解，得把没解决的问题说清楚。截至发布：

一是不支持视频和屏幕共享。想用摄像头对着一个坏掉的东西问、或者共享屏幕让它帮你看，现在 GPT-Live 做不到，得切回旧版的高级语音模式。这对”边看边聊”的场景是个明显的降级。

二是没有 API。开发者只能排 waitlist，定价也没出。也就是说，现在你没法把它集成进自己的产品、硬件或者电话客服里。想基于它搭东西的团队，还得等。

三是它才上线一周，行为可能变。高级语音模式的脾气已经摸熟了，GPT-Live 还在灰度，早期表现有波动是正常的，现在下定论太早。

还有个容易被忽略的点：全双工对网络链路的要求比过去高得多。声网拆过几个工程难点：模型说话时麦克风还开着，回声消除做不干净，它会把自己的声音当成用户插话；全双工没法像过去那样靠检测静音来省流量，得连续传音频，一旦丢包卡顿，一段空音频传过去很可能被当成”用户停顿了”来处理；还有网络往返，模型端再快，链路吃掉三四百毫秒，打断响应照样迟钝。这些不是模型本身的问题，而是提醒做硬件、做实时应用的团队：GPT-Live 的体验能不能落地，一半要看你的链路做得干不干净。

五、对做语音硬件和语音产品的人，这意味着什么

我之前做过一轮 AI 眼镜的竞品测评，当时得出一个结论：在 AI 助手这个维度里，权重最高的是”能不能听懂我说的话”。而几款眼镜共同的毛病，恰恰是交互笨——要用唤醒词、说完得等、想打断没门、后台一算就冷场。

GPT-Live 这套全双工加两层架构，几乎是照着这些毛病来的。可以想象，如果它开放 API、装到眼镜这种没有屏幕、全靠语音的设备上，体验会不一样：你能像跟身边人说话一样自然地插话、追问、改口，不用先喊一声”你好 XX”再等它反应。

但这里有个错位：眼镜最需要的两样东西，”边看边聊”（视频）和”能集成”（API），正好是 GPT-Live 现在的两个短板。它现在既不支持视频，也没有 API。所以想象空间是有的，真要落到硬件上，还得等它把这两块补上。

顺带提一个竞争格局的细节。跟 Gemini Live 比，两家的取舍正好相反：Gemini Live 能看你的摄像头和屏幕，但对话能力上 GPT-Live 更强。换句话说，现在没有一个语音产品是全能的，选型时得看你的场景更吃”多模态输入”还是更吃”对话质量”。

还有一点比技术更值得琢磨：GPT-Live 真正的护城河可能不是全双工，而是它装在一个几亿人每天都在用的 App 里。对大部分普通用户来说，”最好用的语音 AI”不一定是技术最强的那个，而是已经在他兜里的那个。这对所有想做独立语音产品的团队，都是个得正视的现实。

最后

从”对讲机”到”能抢话”，GPT-Live 迈的这步，技术上不算颠覆，产品逻辑却挺清楚：好的语音交互，一半靠答得对（智商），一半靠会接话（节奏感）。过去大家都在卷前一半，GPT-Live 把后一半单独拎出来做，还顺手把两半解耦、各自能升级。

回到”值得抄”这件事，抄的不该是”全双工”这个词本身，是它背后那个判断：两个体验目标互相打架时，先想想能不能拆开，别急着在一个方案里硬凑。

至于它到底”像不像真人”，等 API 开了、真机能跑了，再用数据说话。这篇先把结构和坑讲清楚，方便你自己上手时心里有数。