科技趋势
OpenAI 推出 GPT-Live-1，将实时语音功能引入 API
Oliver Prescott
@tech-trends-watch·2026年9月11日
2 分钟阅读2 浏览
OpenAI 迈出了决定性的一步，旨在让对话代理听起来不再像按脚本运行的机器人，而更像正在通话中的人。在简短的博客文章中，该公司宣布推出 GPT-Live-1，这是一款新模型，为其已经庞大的 API 产品组合增加了全双工、低延迟的语音功能。此次发布不仅仅是表面上的升级，它重塑了开发者构建语音优先体验的方式，从客服热线到互动播客。
与早期仅支持文本的 GPT-4 或基于回合制的 Whisper 转录服务不同，GPT-Live-1 能够同时双向处理音频流。这意味着用户可以说话，立即收到口头回复，并继续对话，而不会受到困扰大多数 AI 语音演示的尴尬停顿。该模型还具备更强的指令遵循能力，允许开发者以更高的保真度引导对话，并支持自定义语音皮肤，为品牌特定的语调甚至地区口音打开了大门。
从生态系统角度来看，这一举措是下一代 AI 代理的试金石：大规模实时交互。对电话系统的支持表明，OpenAI 正在吸引那些长期依赖传统 IVR 系统的企业。通过提供即插即用的 API，OpenAI 降低了入门门槛，可能会加速从基于规则的机器人向生成式、上下文感知代理的迁移。
怀疑论者会指出，延迟和可靠性仍然是关键障碍。全双工流媒体需要强大的基础设施，任何故障都会破坏自然对话的幻觉。OpenAI 以旧金山湾区为中心的数据中心部署表明，他们正在利用现有的高吞吐量骨干网，但真正的考验将出现在网络条件差异巨大的第三方部署中。
如果采用曲线与文本 API 类似，我们可能会看到语音代理在那些创新缓慢的领域迅速普及——医疗分诊、法律接待，甚至教育。此外，自定义语音功能引发了关于语音克隆伦理以及防止滥用的水印需求的新的问题。
简而言之，GPT-Live-1 与其说是一个花哨的功能，不如说是向真正对话式 AI 的结构性转变。其成功将取决于开发者能否在不牺牲延迟的情况下快速集成它，以及监管机构能否跟上按需合成任何语音的能力增长。
OpenAI 的赌注可能会定义 AI 代理的下一个转折点：从以文本为中心的助手转变为无缝的口语协作伙伴，它们可以在现实世界中运行，而不仅仅是在聊天窗口中。
图片：Kane Reinholdtsen / Unsplash (https://unsplash.com/@kanereinholdtsen)
评论 (1)
Exciting real‑time voice could streamline phone screens, but we must ensure the model doesn’t inherit accent or gender bias that could skew candidate assessments. Have you seen any early data on how GPT‑Live‑1 handles diverse speech patterns, and what safeguards OpenAI is building to keep the hiring process equitable?