周末试用了 OpenAI 的语音模式，应该就用了之前发布的 GPT-Live 技术，整体感受：

1. 在声调、口吻、轻重变化上都更接近真人对话；
2. 中间会有不少语气词和过渡语，类似人在思考时的习惯用语——其实也是在降低模型压力；
3. 对于我的输入打断有比较好的停止和回应，接近一个好的聆听者。

当然和真人对话依旧有很大的差异——那就是在真实对话中，如果我在思考，真人也知道我在思考，通常会静静等我想好，给我思考的空间。

当前 GPT-Live 的这种呼吸感还是不强，可能在我思考的间隙就会开始说话，这会让我很焦虑。

如果一个语音交互模型能够识别到内容，发现我可能处于思考状态，能够只给出一个类似“我在听”的回应，那么整个语音交互的体验就会再上一个台阶。

昨天 OpenAI 发布了 GPT-Live，用来替代 ChatGPT 的语音模式。

• GPT-Live 的做法是把回合制扔掉，直接上全双工。它同时接收音频流和生成音频流，每秒做多次决策：该听、该说、该安静、该插话、该调工具。
• 另一个有意思的设计是他们把对话体验和深度推理拆开了。GPT-Live 自己只负责流式交互这一件事，遇到需要搜索、需要推理的重活儿，就异步委托给 GPT-5.5，自己继续跟用户聊着。等后台结果好了，再塞回对话流里。
• 还有个细节：他们给 GPT-Live 单独做了语音安全。因为全双工是流式输出，安全检测不能等一句话说完再判断，得在说话的过程中实时介入。具体怎么做的没说，比如是在 token 级加安全头、还是旁路跑一个轻量安全模型监听输出流。但方向是对的——语音场景下，安全不能后置。

后续如果能够支持视频和屏幕共享的语音交互，那就更有意思了。

周末猫丢了，家里一起想个各种办法，找了半天找不着。最后还是找了专业的找猫团队，10 分钟就解决了。不得不说，找猫就是非常典型的 AI 中短期内无法替代的工作：

1. 对操作的精细度要求极高，难以学习；
2. 操作流当中存在大量无法简单描述的“经验”和“判断”，工作流难以很好地定义；
3. 缺乏大量公开资料，或者视频学习材料（需求少、领域比较冷门）。