6 月 16 日,OpenAI 新一代语音模型 GPT-Bidi-1 的界面字符串和宣传文案在 X 上被多名 insider 同时爆出。这次升级的看点不在更快一点、更自然一点——关键是一次语音交互范式的切换:AI 将能够「边听边说」,像真人一样实时双向对话,被打断也能接住。与此同时,Instant / Medium / High 三档智能分级首次出现在语音端,欧洲用户照例被列为延迟交付。一张内部截图,把 OpenAI 憋了大半年的语音大招彻底掀了桌。
一纸截图,炸出 ChatGPT 最大短板
6 月 16 日美西时间,一条帖子开始在 X 的 AI 圈子里疯转。
发帖的是知名 AI 功能爆料账号 @testingcatalog。配图是一张 ChatGPT 应用内的设置界面截图,画面上清清楚楚写着:
New OpenAI voice model 'GPT-Bidi-1' — Coming soon with a 'major leap in intelligence'
▲ @testingcatalog 的泄露帖配图,界面文字直接亮出「major leap in intelligence」的口径和模型代号 GPT-Bidi-1
随后几个小时里,更多独立信源接力补刀。
@chetaslua 放出了更早期的内部构建截图,来自 DevMode 版本,原始的字符串样例、模型选择器代码片段一字排开。这条帖子的数据说明了一切——10.6 万点赞,15 万次浏览。
▲ @chetaslua 的 DevMode 截图,模型字符串已写入应用内,命名可能尚未最终确定
@M1Astra 紧跟着贴出宣传文案的完整版本,措辞与第一张图高度吻合,排版更像正式推广页的定稿:
The next generation of Voice — More natural conversations, powered by our next-generation voice model
▲ @M1Astra 放出的文案图,「next generation of Voice」的表述说明 OpenAI 有意把这次升级包装成独立的大版本产品
三张截图、三个信源、同一套宣传口径。这不像是某个人 P 图造谣——更像是 OpenAI 内部已经准备好的上线物料,被从测试构建里挖了出来。
「边听边说」才是真正的突破点
Bidi 这个词是整件事的核心。
@testingcatalog 在帖子里直接给了解释:
Bidi stands for "Bi-directional", meaning it can listen and speak at the same time.
「双向」,意味着它能同时听和说。
翻译一下:你说话说一半,AI 可以插话「懂了」「等等」「你说的是不是这个意思」;AI 在讲话的时候你打断它,它不会傻愣着等你讲完再重新组织语言,你开口的瞬间它就顺势调整方向了。
这听起来像真人对话的最低配置,但对 AI 语音来说,这件事一直没有真正做好。
当前 ChatGPT 的 Advanced Voice Mode(基于 GPT-4o 音频栈),本质上是一套「对讲机」逻辑:你说完 → 系统检测到你停了 → 模型开始思考 → 模型开始说话 → 你等着。中间每一步都有延迟,合在一起就产生了一种硬邦邦的停顿感。你没办法自然插话,AI 也没办法在你还在说的过程中给你反馈。
技术圈的人管这叫half-duplex(半双工),依赖 Voice Activity Detection(VAD)来判断「用户是不是说完了」。而 GPT-Bidi-1 要做的,是把这套机制升级为full-duplex(全双工)——模型在生成语音的同时持续监听麦克风输入,支持 barge-in(实时打断),对重叠语音做鲁棒处理。
@rakhulkarthick 的一段技术点评把话说透了:当前语音模式之所以「feel robotic」,根本原因就是 turn-based 的 VAD 机制在模拟「对话」;一旦原生支持 interruption,这个困扰语音 AI 多年的 UX 痛点会在一夜之间被解决掉。
▲ 社区技术派的分析直接点出核心:Bidi = 原生打断能力,不是靠 VAD 模拟的假双向
OpenAI 自己也心知肚明。专业爆料站 TestingCatalog 在跟进专题里写了一句值得细品的话:
Text models raced ahead to the GPT-5.5 generation while voice stayed on an older audio stack.
文本模型已经跑到了 GPT-5.x 世代,而语音还被锁在旧的音频架构上。GPT-Bidi-1 要做的,就是让语音这次真正追上文本的进度。
三档智能,把语音当独立产品来做了
另一个值得关注的变化:Instant / Medium / High 三档智能分级。
这直接复刻了文本端 ChatGPT 的推理速度选项。选 Instant 走轻量快速路径,延迟最低,适合日常闲聊;选 High 则调用更强的推理能力,可能在复杂对话、多步指令中表现更好;Medium 居中平衡。
这个设计的信号非常明确:OpenAI 已经不再把语音当成「4o 的一个附属功能」在维护。语音正在被定位成一条独立的产品线,有自己的模型代号、自己的性能档位、自己的宣传文案。结合前段时间 OpenAI 多次放话「语音是未来主要交互方式」,这次的字符串泄露等于把嘴巴上的战略落实到了代码里。
TestingCatalog 文章还列出了更多细节:
▲ TestingCatalog 的深度解读,涵盖 rollout 节奏、战略背景与完整界面文字
-
升级会逐步推送(gradual rollout),不是一次性全量放开 -
EEA(欧洲经济区)、英国、瑞士用户将被延后——这是 OpenAI 的老规矩,full-duplex 语音涉及连续音频采集和实时处理,刚好踩在 EU AI Act 关于生物识别和实时数据的高风险条款范围内,监管摩擦跑不掉
三月就放出的信号枪,六月终于响了
实际上,GPT-Bidi-1 并不是凭空冒出来的。
早在 2026 年 3 月 5 日,The Information 就独家报道了 OpenAI 在开发一种「bidirectional」音频模型。当时的原型机已经能跑双向交互,但有一个要命的 bug——连续跑几分钟就会崩溃(breakdown)。
The Decoder 在 3 月 9 日跟进报道时补充了一句:发布时间可能会推迟到「第二季度或更晚」。
▲ The Decoder 三个月前的报道确认:原型已有但不稳定,发布时间可能延后
▲ Newsquawk 等媒体在 3 月已跟进报道,双向语音项目的存在当时就是公开信息
三月份是「做出来了但不稳定」,六月份是「字符串准备好了,宣传文案写完了」。三个月的时间差,OpenAI 显然在集中解决原型阶段的稳定性问题——延迟能不能压到 sub-second?移动端的 streaming 效率够不够?打断后能否不丢上下文?
现在这些 UI 截图里的措辞(major leap in intelligence、next-generation)说明 OpenAI 内部的信心已经到位了。没有「还在研究」的犹豫,写的已经是「即将上线」的姿态。
语音憋太久了,这才是焦虑的真正原因
为什么这次泄露会炸出这么高的关注?因为它戳中了 ChatGPT 一个别扭很久的地方。
过去一年半,OpenAI 把绝大部分算力和人才砸在了文本推理上。o 系列、GPT-5.x、computer use ——文本端的能力在飞速膨胀,但语音体验几乎原地踏步。Advanced Voice Mode 在 2024 年发布时确实惊艳过一轮,自然度吊打了当时所有竞品,但用久了的人都知道痛点在哪:长对话僵硬、不能自然插话、偶尔幻听或过早打断。问题不在于它不好——真正的问题是它「好得不够」。
而现在竞品在快速逼近。Google Gemini Live 已经推了低延迟语音交互;国内的豆包、Kimi 在语音陪伴场景里渗透率很高;创业公司如 Sesame Research 做的语音 demo 在某些维度上已经逼近了那种「啊这个好像真人」的 uncanny valley。
OpenAI 需要一次升级来重新拉开身位。GPT-Bidi-1 背负的就是这个任务。
而且要注意,「major leap in intelligence」这个说法放在语音产品里,重点可能不是智商的账面分数,真正发力的维度是感知上的自然度。当一个 AI 能边听你说边回应、能在你插话的瞬间顺势调整、能在你说到一半时给一个「嗯嗯」,你不会去测它的 IQ,你会觉得——「这人(这 AI)懂我」。这才是 voice 端的真正护城河。
冷静看:字符串 ready 不等于体验 ready
虽然截图够硬,但还是得划几条线。
第一,最终命名可能改变。多个爆料源都加了一句「Final naming of the model might change」。GPT-Bidi-1 大概率是内部构建代号,上线可能换一个更消费者友好的名字。
第二,3 月原型的「几分钟崩溃」问题是否已彻底解决?没有公开测试结果作证。sub-second 延迟、重叠语音处理、中断后上下文恢复——这三点随便哪个没做好,用户体验就会从「哇」变成「唉」。
第三,推送到普通用户手里还要多久?字符串在测试构建里 ≠ 明天就上线。从 DevMode 到灰度到全量,以 OpenAI 的节奏,几周到一两个月都是正常的。欧洲用户更是要做好继续等的心理准备。
但方向是对的。GPT-Bidi-1 如果能兑现它截图里承诺的这几点,ChatGPT 语音体验将不再是一个「偶尔好玩的功能」,而是变成真正能全天候陪伴、替代打字的高频入口。对 OpenAI 来说,这比多考 5 道数学题更有意义——使用时长、用户留存、语音原生的商业场景,全藏在这条产品线里。
— END —








