OpenAI 复盘：我们是如何在 6 个月内完成构建 GPT-Live 实时语音系统的
让 AI 说话不卡，光模型快没用，从你按下按钮那一刻起，每一环都得不掉链子。
- 以前的语音 AI 都得靠一个小模型猜「你说完没」，猜早了打断你、猜晚了显得迟钝，这一代把它整个删了。
- 难题它派给 GPT-5.5 在后台跑，自己继续陪你聊，文里有段真实录音，后台干活那十几秒，前台的嘴一直没停。
- 还有个顺手做的：他们重做了 WebRTC 的连接握手，六个来回压成一个，改动已经提交 IETF，两大实现都支持了。
以前的语音 AI，为什么听起来总是呆呆的
OpenAI 发了一篇少见的工程复盘，把 GPT-Live 这套实时语音系统六个月里怎么搭起来的全摊开讲了，从删掉那个猜「你说完没」的小模型，一路讲到重做 WebRTC 的连接握手，每一环的账都算给你看。对做产品的人来说这篇比发布公告值钱：它把「响应快」从一个模型指标，还原成了一条从按钮到耳朵的完整链路。
先别急着看架构。三段录音摆在这儿，你自己听，差别在耳朵里：
前两段的别扭感，来自两个病根。
病根一：一个专门猜「你说完没」的小模型
过去的语音 AI 是回合制的，跟对讲机一样：你说，说完，它答。中间需要一个叫 turn detector（回合检测器）的小模型，专门判断你到底说完没有。
这个判断两头不讨好。猜早了，你话说到一半被打断；猜晚了，你说完半天它还愣着，显得反应迟钝。而且它主要靠「静音」来判断，所以你中间停顿想一下、旁边有人说话、马路上过一辆车，都可能被当成「这人说完了」。
更要命的是顺序：这个小模型得先做完决定，后面那个大得多的模型才能开始干活。两段延迟是叠加的，不是并排跑的。
病根二：三个模型排成一队
再往前一代更慢。最早的 ChatGPT 语音是三个模型串起来的：语音转文字，大模型想答案，文字转语音。一环接一环排队跑，延迟层层累加。而且你说话时的语气、语速、停顿，在转成文字那一步就全丢了，后面的模型看到的只是一行干巴巴的字。
GPT-Live 做了两件事：拿掉检测器，再让说话的和思考的分家
这两个病根，OpenAI 是分两刀下的。
第一刀：让模型能同时听和说
GPT-Live 的语音模型是 full-duplex（全双工）的，能一边听一边说，像打电话，不像对讲机。对讲机得等对方松开按钮你才能出声，打电话你俩可以同时说话。
既然它自己每秒能做很多次「现在该出声，还是该接着听」的判断，那个专门猜回合的小模型就没有存在的必要了，直接从音频链路上拿掉。你停顿想一下，它不会抢；你想插话，它接得住。
第二刀：把「说话」和「深度思考」拆成两个模型
但快的模型往往不够聪明。你问一句需要联网查资料的问题，一个反应飞快的语音模型答不好。
所以他们干了第二件事：前台放 GPT-Live-1 负责实时对话，后台放 GPT-5.5 负责搜索、写代码、检索资料。你问了个要查的问题，前台把活派给后台，自己继续跟你聊着，结果回来了再顺进对话里。这叫委派。
这件事听起来抽象，但它是能被听见的。下面这段是官方放的真实对话录音，配了三条轨，你说话、GPT-Live-1 应答、GPT-5.5 在底下跑搜索：