OpenAI GPT-Live 延迟全球首测：更自然的语音交互，究竟提升在哪里？

7月8日，OpenAI 发布 GPT-Live。它能边说边听，用户停顿时会等，遇到要搜索的问题会先应一声、再去后台干活。比起”你说完、我再答”的轮次式交互，更像一通可以随时插话的电话。

但 OpenAI 没有公布任何能量化这种”自然”的端到端数据，也没说它在真实手机上表现如何。所以Agora 媒体实验室做了一组公开、可重复的测试：真实 iPhone，人工发声设备播放标准语音，可控网络模拟丢包，双轨录音、按波形逐帧取时间，每项实验重复 30 次。测的不只是模型，是从客户端、网络、服务端到音频播放的完整链路。

本次参与对比的是ChatGPT的三代语音交互模式：

• GPT-Live-1：最新一代全双工语音模式，可以在说话的同时继续监听用户，交互方式更接近真实电话。
• Advanced Voice Mode：上一代端到端模式，虽然使用单一模型处理语音，但仍以相对明确的对话轮次运行，通常需要等待用户说完后再回复。
• Standard Voice Mode：较早期的”语音转文字—生成文本—语音合成”级联模式，每轮对话需要依次经过三个处理环节。

通过实验室的测试数据，我们发现这次升级真正改变的，不只是语音交互的速度，而是它的可预测性，无论正常网络还是弱网环境，用户都能更稳定地判断AI大概什么时候会回应。

一. 打断慢了半秒，但误触发从 22 次降到 1 次

从用户插话第一帧到 AI 闭嘴，GPT-Live 的中位数比上一代慢了 498 毫秒。半秒的”抢话延迟”，用户能明显感觉到。单看这个数字，它是三代里最慢的。

但这不是退步，是换了策略。上一代的逻辑是”听到声音就停”；GPT-Live 会先判断你是不是真的想接管对话，再决定停不停。代价是慢半秒，收益是：AI 播报期间的咳嗽、笑声、背景人声，误触发从 22 次降到 1 次。咳嗽声上两者差异不大，真正拉开差距的是背景人声，也就是 AI 一边说话、一边分辨哪些声音该理。

新的代价也随之出现：在没人跟它说话的嘈杂环境里，GPT-Live 在 30 个测试窗口里有 4 次主动接了旁人的话，另外两代全程沉默。这是全双工绕不开的”说话者归属”难题：它听得到有人在说，却判断不了这人是不是在跟自己说。OpenAI 官方文档也承认这里尚有局限。

（498 毫秒是端到端数字，包含模型决策、网络往返、播放缓冲和客户端停止机制，不等于模型本身的处理速度。）

二. 真正的提升不是快了百余毫秒，而是稳了近 5 倍

按中位数算，GPT-Live 只比 Advanced Voice Mode 快 205 毫秒，这点差距撑不起”体验代际”。真正的差距在长尾：Advanced Voice Mode 的 P90 响应延迟高达 2318 毫秒，接近中位数的两倍；GPT-Live 的 P90 只比中位数高 104 毫秒。标准差从 489 毫秒降到 104 毫秒，波动缩小了近 5 倍。

这才是这一代最值钱的改进。人与人换话轮平均只要约 200 毫秒，GPT-Live 离这个速度还远。但当系统几乎每次都以相近节奏回应，用户能形成稳定预期；反过来，等待时间在 1.3 秒到 2.3 秒之间来回跳，哪怕平均值差不多，感受上就是”卡”。

至于 Standard Voice Mode，平均要 5 秒才响应，级联架构和实时模式已经是代际差异，没有比较意义。

另外，遇到要搜索或推理的问题，GPT-Live 会先说一句”让我查一下”再后台处理。这意味着只测”第一帧可听语音”已经不够，以后至少要拆三个指标：确认响应开始、正式回答开始、回答完成。本次测的是第一个，它能说明 AI 回应及不及时，说明不了任务实际完成得快不快。

三. 10% 丢包下，GPT-Live 仍好过上一代的正常网络表现

真实用户不会永远待在稳定 Wi-Fi 里。我们模拟弱网，想看多大的网络损伤能抹掉新模型的优势。

10% 上行丢包时，GPT-Live 的响应延迟只增加 314 毫秒；Advanced Voice Mode 增加了 2448 毫秒，接近涨了三倍，直接退化到 Standard Voice Mode 正常网络下的水平。更能说明问题的是这组对比：丢包 10% 的 GPT-Live（P90 为 1836 毫秒），依然快过零丢包的 Advanced Voice Mode（P90 为 2318 毫秒）。 换成下行丢包并叠加 100 毫秒时延，排序不变。

优势来自哪个环节，外部测试无法归因。可能是渐进式音频处理让丢包只伤局部上下文，可能是传输协议和客户端优化，也可能是模型训练时见过更多受损音频。但对开发者和用户来说，结果已经足够明确：这套链路在弱网下更扛造。

四. 全双工的竞争，已经是整条实时链路的竞争

文本聊天里，几百毫秒的网络波动只是页面慢一点。语音里，时间本身就是语义：半秒的静默可能是用户在思考，也可能只是上行音频没到；附和来得太早是打断，来得太晚像没听见。丢包处理也一样，对人耳自然的修复方式，未必保得住模型理解语义和节奏所需的信息。

所以一个全双工模型撑不起自然的语音体验，模型、推理服务、网络传输、音频处理和客户端播放必须在同一条时间轴上协同。OpenAI 的优势恰恰是全栈都在自己手里：他们重构了 WebRTC 技术栈，用全球自建中继（Global Relay）配合就近信令调度，让流量就近进入自有骨干网，把首跳延迟、抖动和丢包压到最低。GPT-Live 是整条技术栈协同的结果，不是单个模型的胜利。

大多数开发团队没有这个条件：走公网调 API，管不了推理基础设施，也干预不了跨区域路径。接的是同一个模型，体验照样掉档。而这正是Agora在做的事。作为 OpenAI 的合作伙伴，Agora 用覆盖全球的实时网络优化音频传输路径，并在客户端补上用户插话、AI VAD 这些关键机制。我们对网络和链路的关注难免带自己的技术视角，但也正因如此，我们能把模型放进真实设备、真实网络里测，而不是只在实验室里比单点的模型指标。

五. 客观数据之外的主观感受：GPT-Live 开始有了”对话感”

整个测试过程中，工程师提得最多的不是某个数字，而是一种感受：和 GPT-Live 对话很少冷场，它是可预测的。 复杂问题它会先应一声，你知道它还在干活，不用面对一段长度未知的空白。

在这其中，有三个有意思的现象。

1. 它听得懂”嗯”不一定是打断。 测试人员在 AI 回答时发出”嗯””嗯哼”这类附和，GPT-Live 通常会当作反馈、继续说完；旧版更容易当成新输入，直接停下来重开一轮。说明它在结合上下文判断这段声音在对话里的作用，而不是只检测到”有人出声”。
2. 它会看聊天内容换语气。 严肃问题表达克制，轻松场景语气活跃。不过语气自然度主观性太强，目前还没有能稳定复现的量化测法。
3. 它有了时间感。 “40 秒后提醒我”这类任务，GPT-Live 能大致完成，偶有误差；旧版几乎做不到。语音智能体开始理解对话进行了多久、某件事该在什么时候发生，这可能是应用边界上的一个新口子。

总体而言，GPT-Live 为语音智能体设定了一个新的参考线，无论是延迟还是自然度。

六. 测试方法与局限

1. 测试环境：iPhone 13，ChatGPT v1.2026.183（App Store 版），Plus 账号已开通 GPT-Live-1，英语测试，时间为 2026 年 7 月 9 日。
2. 方法：预录标准语音由人工发声设备播放，保证每次输入一致；用户语音和 AI 输出双轨录音，所有时间按波形逐帧测量；每项实验 n=30。
3. 两个核心指标：
   • 响应延迟（用户最后一帧到 AI 第一帧可听语音）
   • 停止响应延迟（用户插话第一帧到 AI 最后一帧语音结束）

   主动打断测试中三种模式识别率都是 30/30，所以本文比的不是”能不能识别打断”，而是识别之后多久停下来。

4. 局限：样本量 30，个位数毫秒的差异不建议过度解读；单设备、单账号、单地点，集中在发布后第一周；丢包只测了一个等级，下行测试还叠加了时延，两个因素无法完全分离。这是一次有代表性的实验快照，不是覆盖所有设备和网络的普查。

另外要注意：GPT-Live API 目前仍在 Waitlist 阶段，Realtime API 默认提供的 gpt-realtime-2.1 是另一款模型，不在本次测试范围内。

全双工语音时代已经到了。变化在于，我们终于可以不再用”自然””像真人”这类形容词描述它，而是能系统地、可重复地把这种体验测出来。Agora媒体实验室后续会用同一套方法，持续测试更多实时语音模型。