OpenAI 如何打造 GPT-Live：全雙工語音模型的底層架構與工程挑戰

傳統語音助理常因「聽」與「說」無法同時進行而顯得不自然，而 OpenAI 推出的 GPT-Live-1 透過全雙工架構徹底改變了這項體驗。

• 語音系統經歷了三代演進：從傳統的串接式設計、基於輪流發話的端到端模型，到最新能夠同時聆聽與發話的全雙工架構。 • 傳統系統高度依賴「發話偵測器」來判斷使用者是否結束發話，這往往是造成對話延遲與生硬的主因；全雙工模型則透過持續預測語音與靜音 Token，徹底移除了這個痛點。 • GPT-Live 採用了「將思考與對話分離」的核心理念，讓輕量快速的模型負責毫秒級的即時回應，同時將複雜的推理工作交給背景處理。 • 儘管全雙工架構帶來了更流暢的自然對話體驗，但也伴隨著模型持續運行的高昂成本，以及必須在極短時間內完成回應的嚴苛工程挑戰。

透過結合新型語音模型架構與低延遲的最佳化服務系統，即時語音互動正邁入反應更靈敏、對話更自然的全新時代。