核心要点
OpenAI 全面重构 ChatGPT 语音架构，实现音频连续输出无卡顿。 新系统 GPT-Live 支持模型一边说话一边“听人说话”。 语音会话启动从过去的 6 次网络往返缩减至 1 次。 音频通过专用“快速通道”传输，推理和工具调用异步在后台执行。 OpenAI 已发布本次重构的完整技术拆解。
OpenAI 对支撑 ChatGPT 的语音基础设施进行了系统级重构，推出全新架构 GPT-Live，让语音流可以持续不断，即便进行更深层的推理和调用工具，也不会打断对话。
OpenAI 于 8 月 3 日通过一系列 帖子 披露相关改动，并在一篇 博客 中详解从客户端到模型端的整套重构流程。公司表示，本次升级将语音会话的启动成本从 6 次网络往返压缩到 1 次。
GPT-Live 如何运作
GPT-Live 将音频流单独抽离出来，走一条专用的高速路径，而复杂推理和工具调用则放到旁路异步执行。
这意味着模型可以在后台完成推理和工具调用的同时，前台的语音流不必暂停等待结果返回。
对用户而言，语音会话启动更快、持续更顺畅，以往在处理复杂请求时经常出现的“语音停顿空窗期”显著减少。
OpenAI 在另一则 帖子 中指出，该架构重点解决了会话“首轮交互”的响应问题，使得从开口第一句起，对话就更接近自然交流。本次重构瞄准的是旧语音栈的结构性瓶颈——此前只要进入任何推理环节，音频层就被迫等待。
GPT-Live 瞄准 ChatGPT 语音时延痛点
进入 2026 年，OpenAI 在语音能力上持续加码。年内早些时候，公司曾因 ChatGPT 在多步骤问答中语音响应生硬、节奏拖沓而备受外界诟病。GPT-Live 的推出，是 OpenAI 针对这一短板给出的工程化应对方案。
此次发布也延续了 OpenAI 近期在底层算力与模型基础设施上的投入节奏。上月，OpenAI 披露其下一代主力模型的内部版本，在约 2000 美元代币成本下产出了 10 条全新的数学成果，显示其在整个产品线背后加大基础设施投入的决心。
