昨天，OpenAI 扔出来个新东西：GPT-Live，现在终于可以跟真人一样和 ChatGPT 对话了。
说实话，这东西我期待很久了，因为毕竟现在我基本上也都是用语音为主来跟 ChatGPT 做交互了。
大家先来感受一下。
你可能会觉得，不就是像真人一样对话吗？但这种自然流畅，直到仿真。整个 AI 行业折腾了好几年。
01｜先复习一下语音 AI 的"智障史"
要理解它牛在哪，得先看看以前的语音 AI 有多离谱。
第一代是"对讲机"。 你说一句，它先把你的话转成文字，再拿文字去想答案，想完再念出来。
三个模型接力赛，你的语气、停顿、情绪，全在转手过程中被中间商磨没了。
OpenAI 在 2023 年发布，它们管这个叫“级联语音系统”。
但它又慢，又聋。
第二代是"打电话"， 也就是你现在用的高级语音模式。
一个模型直接处理声音，快多了，但有个致命伤：它必须等你说完才能开口，而它判断"你说完没"的依据，居然是沉默。
你只要停顿一下喘口气，它就以为轮到自己了，啪一下开始输出。
你正说着"我想问一下那个。。。"，脑子还在搜词，它已经滔滔不绝回答一个你没问完的问题了。
所以你以为它在倾听？不，它只是在等你闭嘴。
这种方式叫回合制。
而 GPT-Live 是第三代：面对面聊天。
核心其实就就一个词，全双工。
它一边听你说，一边在生成回应，每秒钟做几十次决策：该说话吗？该继续听吗？该插一句吗？还是该闭嘴？
02｜学会说话用了十年，学会闭嘴才是突破
全双工能干出很多以前 AI 干不出来的事。
你说到兴头上，它会"嗯嗯""对"地附和你。
你停下来想事情，它安安静静等着，不抢话。
你嫌它烦，说一句"你先别出声"，它真能闭嘴，一直听着，直到你喊唤醒词"Hey Chat"才重新加入。
旁边有车开过、有人说话，它也能分清哪个是你的声音。
看到这我突然想起一个特别中国的职业：相声里的捧哏。
于谦老师站一晚上，台词就是"嗯""啊""是嘛""好家伙"。这活看着简单，但说相声的都知道，三分逗七分捧。
捧哏的功夫不在说，在于知道什么时候接、什么时候不接。接早了抢戏，接晚了冷场。
时机，恰恰是过去所有 AI 最不懂的东西。 它们能把答案说得天花乱坠，但永远在错误的时间开口。
学会说话，AI 用了十年。学会闭嘴，才是这次真正的突破。
03｜前台陪聊，后台有个更强的在干活
以前语音模式还有个老毛病：笨。
为了追求响应速度，语音一般用小杯模型，反应快但脑子跟不上。问个简单的没事，问个需要查资料的，它就开始一本正经地胡说八道。
GPT-Live 的解法很鸡贼：前后台分工。
前台是 GPT-Live 自己，负责陪聊、负责嗯嗯啊啊、负责把气氛搞好。
一旦你问了硬核问题，它后台悄悄把活儿甩给 GPT-5.5（OpenAI 现在的旗舰模型），自己继续跟你唠，唠着唠着结果好了，自然地织回对话里。
就像一个会来事儿的服务员：你点了个硬菜，她不会杵在那沉默十分钟，而是一边把单子传给后厨，一边跟你聊今天天气不错。
OpenAI 还说了，后厨可以换人。以后出了更强的模型直接换进去，前台体验不用动。
聊天的归聊天，思考的归思考。 我觉得这个架构才是这次发布里最值得琢磨的地方。
04｜跟你有什么关系？先泼两盆冷水
现在每周有超过 1.5 亿人在用 ChatGPT 的语音功能。这不是极客玩具，是快两亿人的日常工具了。
几个场景你可以代入一下：
开车时，你终于可以像跟副驾聊天一样跟它说话，不用每句都憋完整了再说。
练口语时，它能实时纠正你，还能同声传译，一边听你说中文一边往外出英文，这在回合制时代根本不可能。
OpenAI 的语音产品负责人说，他现在散步经常跟它聊三四十分钟。
三四十分钟。。。这已经不是工具了，这是遛弯搭子。
但坦率说，我得泼两盆冷水。
第一盆：中文体验存疑。 发布会演示实时翻译时，翻出来的印地语被记者吐槽一股浓浓的美国口音，说话像念课本。
官方说优化了"大多数常用语言"，但没给名单。中文什么水平，等我实测。
第二盆：暂时没有视频。 老语音模式能边看摄像头边聊，GPT-Live 上来先砍了这个，说过几周补上。而隔壁 Gemini Live 早就支持边看屏幕边聊了，字节的豆包四月份也上了自己的全双工。
这条赛道上，OpenAI 这次不算领先，只能算追平。
GPT-Live 是一代全新的语音模型，昨天开始全球推送，直接替换掉 ChatGPT 原来的语音模式。付费用户用大杯 GPT-Live-1，免费用户给 mini 版。
写在最后
OpenAI 这次在发布里塞了一段很微妙的话：他们会针对"情感依赖"做长期监测，还专门强调，我们不是要做 AI 伴侣。
你品品这个此地无银三百两。
一个会附和你、会等你、会在你需要时沉默的声音,凭什么不让人上头？
你想想你身边最好的朋友，你们的关系是靠他金句频出撑起来的吗？
不是。是他在你倾诉时"嗯"了一声，在你说不下去时没有催你。
现在，机器也会这个了。
技术上，这是了不起的进步。但每周那 1.5 亿人里，一定会有人在某个深夜，跟这个永远不会不耐烦的声音聊上三四十分钟。
聊天的最高境界不是接得住话，是知道什么时候不接。
只是我没想到，先学会这件事的，可能是机器。
你会跟一个会"嗯嗯"的 AI 聊多久？评论区聊聊。