OpenAI今天给ChatGPT桌面应用做了一次大升级——这个已经和Codex合体的客户端，正式引入了由GPT-Live模型驱动的ChatGPT Voice语音模式。新版里，用户可以在聊天（Chat）、办公（Work）和编程（Codex）三个板块中，直接用语音发起、检查或调整任务。把多线程工作协同这件事，从敲键盘挪到了动嘴皮。
不再是一问一答，而是边聊边干活
GPT-Live最早于7月8日发布，核心突破在于实现了全双工语音——可以同时聆听与说话。上一代高级语音模式采用轮次机制，模型必须等用户停止说话后才能回应。而GPT-Live处理的不再是一条条彼此独立的消息，而是在生成输出的同时持续处理输入。它可以在对话过程中用“嗯嗯”“yeah”这类回应表示自己正在听，也能在用户思考时保持安静。
更重要的是架构上的分工：GPT-Live将语音交互与深度推理分离为两个独立环节。前台由一个面向实时交互优化的语音模型负责接话、停顿和保持自然对话；后台由独立的推理模型负责搜索、计算、调用工具和执行复杂任务。用户提出需要搜索、推理或调用更强能力的问题时，GPT-Live会把任务交给后台模型处理，前台则继续与用户保持对话。
这种“你说话、它办事、彼此不耽误”的交互，正是GPT-Live想拉开差距的地方。
三个板块，一个语音入口
在新版ChatGPT桌面应用中，语音能力嵌入了三个核心工作场景：
Chat板块：日常对话与信息查询，用语音提问、获取答案
Work板块：办公任务协同，检查日历冲突、梳理收件箱、准备会议记录
Codex板块：编程开发，用语音指挥多个编码智能体并行工作
OpenAI在声明中表示：“我们正朝着AI愿景前行，未来用户只需口述需求，ChatGPT就能根据你的思路，快速推进多项任务。”
以规划一次商务旅行为例：用户可以要求ChatGPT检查日历冲突、梳理收件箱查看航班变更、准备会议记录——所有这些都在“冲咖啡或做其他事情时”完成。开发者还可以同时启动多个并发任务线程：从单个语音指令出发，让系统同时调查一个认证漏洞、审查一个待处理的API迁移请求、生成缺失的单元测试。
Mac独占优势：Appshots让AI“看见”你的屏幕
ChatGPT Voice同时支持macOS和Windows 11。但Mac用户多了一项能力——Appshots功能。启用后，ChatGPT可以引用当前活跃窗口的内容作为上下文。这意味着用户可以在某个应用界面中直接开口提问，AI能理解屏幕上正在显示的内容。配合Computer Use功能、本地文件和ChatGPT插件，语音交互的实用边界被大幅拓宽。
从“不可用”到“能干活”
GPT-Live的发布带来了一次质的跨越。在BrowseComp智能体网络搜索测试中，高级语音模式仅得0.7%，而GPT-Live-1（high）达到75.2%。在专家级科学推理能力测试GPQA上，高级语音模式得分45.3%，GPT-Live-1（high）达到84.2%。从“几乎不可用”到“能真正干活”，差距不止一个量级。
OpenAI还重新录制了ChatGPT中的九种声音，并为回答提供三种推理级别：即时模式用于快速响应，中等和高强度模式用于需要更多思考的场景。
语音功能面向Plus、Pro、Business、Edu和Enterprise等付费用户开放，已在Windows和macOS上全球推送。用户可以通过快捷键（Mac上Option+Space，Windows上Alt+Space）随时唤醒。iOS用户还可以通过Remote功能配对后，在Codex中使用语音控制。
告别键盘，对话式编程成为现实
GPT-Live接入桌面端ChatGPT和Codex，标志着软件开发正在进入“免提”时代。开发者不再需要停下来打字描述需求，可以直接在编程过程中通过对话引导AI完成任务。OpenAI官方展示的视频中，多名工程师在同一房间内对同一个ChatGPT桌面应用会话发出不同指令，模型同时响应多人。
当ChatGPT的语音能力从“能听懂”升级到“能边听边干活”，人与AI的协作方式正在被重新定义。键盘还在，但你已经可以把手放下来了。
