OpenAI 把猜你講完沒的那個小模型拆了，ChatGPT 能邊聊天邊指揮 agent

GPT-Live 把判斷發言結束的 turn detector 從音訊路徑移除，改由語音模型同時聽與說，深度推理走非同步委派，OpenAI 桌面版 ChatGPT 因此能邊聊天邊指揮多個 agent。 ⭐ 文章深度讀：下游那套會事後改口的推測層怎麼運作，以及原文沒有回答的三個缺口 → https://heymaibao.com/openai-gpt-live-voice-turn-detector/ ⚡ 章節重點 那個停頓不是模型在想答案 00:00 三則官方消息，順序就是訊號 00:42 舊架構的病：一個負責猜的小模型 01:10 手術做了什麼 01:39 猜測沒有消失，它搬家了 02:48 下游那台伺服器怎麼把語音拆回訊息 03:17 延遲不住在模型裡 05:37 上線後撞到現實的兩個教訓 06:37 原文沒有回答的事 07:19 所以這件事對你的意思 07:50 聲音必須流動 08:09 📝 懶人包 ∙ 2026 年 7 月 24 日，ChatGPT Voice 進入桌面 app。OpenAI 官方說法是可以用語音控制你的電腦，並且指揮在 ChatGPT Work 或 Codex 裡正在跑的多個 agent，當天全球上線 macOS 與 Windows，開放給 Plus、Pro、Business、Edu、Enterprise 方案 ∙ 底層是 GPT-Live，OpenAI 稱它為第三代語音系統。關鍵動作是把 turn detector 從音訊路徑移除，語音模型本身可以同時聽和說，對話的控制權交給語音模型 ∙ 需要深度推理或用工具時，講話的模型會非同步去問前沿模型 (原文舉例 GPT-5.5)。慢的工具呼叫只會延遲自己的結果，不能讓媒體流停下來 ∙ 我的觀察是，「判斷現在該誰說話」這件事沒有消失，它從即時路徑移到了下游，變成一套可以事後改口的推測。原文自己給的說法是，這樣就不必把輪替強加在即時語音路徑上 📚 參考資料 How we built a realtime system for responsive voice AI in six months → https://openai.com/index/continuous-voice-interaction-with-gpt-live/ ChatGPT Voice is now in the desktop app → https://x.com/OpenAI/status/2080378182469857576 A closer look at improved intelligence in GPT-Live → https://x.com/OpenAI/status/2077501603050033634