刚刚,Anthropic和OpenAI同时放出了语音模式大升级!
Claude这边,从只能跑Haiku升级到Opus 4.8和Sonnet 5全系列,不仅能在对话里调Gmail、日历、Slack,还扩增到11种语言,但没有中文。
OpenAI那边,全双工GPT-Live直接搬上了macOS和Windows桌面,动动嘴就同时指挥一整队Agent,并且支持中文。
Claude Voice大升级
在此之前,Claude的语音模式只能跑Haiku,也就是最小的那个模型。
你跟它语音聊天,它能听懂,但稍微复杂一点的问题就容易翻车。
现在,Opus 4.8和Sonnet 5都上了。
你可以在对话中途切换模型。系统自动调用所选模型的最快版本。注意,是最快版本,不是完整推理版本。
好消息是,语音模式会默认加载你上次文字聊天用的模型,文字和语音之间上下文不断,无缝来回切。
交互方面,则有两种模式:Hands-free持续监听自动回复,Push-to-talk按住说话松手结束。
当然,要说最重要的,那还得是「工具调用」。
语音对话中,Claude现在可以直接连接你的Gmail、Google Calendar、Slack、Google Docs、Canva。
说一句话,它替你翻邮件、查日历、读文档、发消息。
Anthropic的产品经理Robert Bye举了几个例子:
·帮我总结Slack过去几小时我错过了什么。
·把新项目PRD的摘要发给Slack上的Nick。
嘴上说完,活就干了。
技术上,语音里的工具调用和文字聊天走的是同一套Connectors架构,不是阉割版,每次调用前还会先问你要许可。
所有套餐都能用,但免费用户只有Haiku加1个连接器,Opus全套得氪金。用量从常规额度里扣,今天起全平台公测推送。
11种语言,没有中文
语言方面,Claude语音模式这次支持了11种语言:英语、法语、德语、印地语、印尼语、意大利语、日语、韩语、巴西葡萄牙语、拉美西班牙语、欧洲西班牙语。
从头找到尾看一遍,没有中文。
对这部分用户来说,还是得继续打字。
而且Claude不会自动检测你说的是什么语言。
你得主动开口让它切,比如「请用日语跟我说话」,或者去设置里手动选。不切的话,默认是英语。
有意思的是,此前有开发者从Claude App的代码中扒出过一份语言列表,包含18种语言,其中明确写着Chinese。
结果,18种变11种,中文直接被砍了。
ChatGPT Voice杀入桌面
相比之下,ChatGPT的语音则是从底层换了一套全新的架构。
它用的是7月8日刚发布的GPT-Live,一个全双工语音模型。
所谓全双工就是,模型能够同时处理输入和输出音频流,并且每秒做出几十次判断,不用等你说完就能回应。
所以GPT-Live会在你说话中间「嗯嗯」「明白了」,像活人在听。
更进一步来看,它基于的是一个双层架构。
前台是一个轻量低延迟的语音模型,负责实时对话、轮次管理、打断响应,所有需要毫秒级反应的事。
后台是GPT-5.5,负责复杂推理、网页搜索、Agent任务。
当你问一个需要深度思考的问题,GPT-Live会把任务异步委派给后台的GPT-5.5,然后自己继续跟你聊,等结果出来了再汇报。
OpenAI管这个叫「委派推理」(Delegated Reasoning)。
具体来说就是,OpenAI把对话延迟和推理深度,被彻底解耦了。你不需要等大模型想完才能继续说话。
推理深度还能调三档:Instant最快,Medium中等推理,High深度推理,分别对应GPT-5.5的不同档位。免费用户用的是GPT-Live-1 mini。
从跑分来看,这个委派架构是真的管用,语音模式终于不再是「降级版聊天」了。
GPQA(专家级科学推理)从此前高级语音模式的45.3%跳到84.2%。
BrowseComp(Agent网页搜索能力)从0.7%飙到75.2%。
模拟真实多轮电信客服场景的τ3-Voice Telecom基准,GPT-Live也全面碾压。
嘴上说着,多个Agent同时跑
有了这套底子,OpenAI直接把它搬上了桌面。
从今天起,ChatGPT Voice正式登陆macOS和Windows桌面端。
你可以设一个全局快捷键,在任何应用里一键唤起ChatGPT Voice。
macOS上还有Appshots功能,ChatGPT可以直接读取你当前活跃窗口的内容,作为对话的上下文。
比如,对着Excel说「帮我算一下Q3同比」时,它能看得到你的表格。
此外,你还可以用语音指挥ChatGPT Work和Codex里的多个Agent同时工作。
一边让一个Agent写代码,一边让另一个Agent查文档,嘴上说着就行。
GPT-Live在前台跟你说话,后台同时启动、检查、切换多个工作线程,不需要你回到键盘前。
目前,Plus、Pro、Business、Edu、Enterprise套餐可用。
10秒钟就能感受到的差距
能不能打断
Claude语音是轮流制,你说完它才想。想插嘴?等着。
GPT-Live可以被打断。你说到一半改主意了,它立刻停下来跟上你新的想法。打断前说到哪儿,它还记得。
能不能一心多用
Claude一次只做一件事——语音聊天。
ChatGPT Voice在桌面端可以一边跟你说话,一边在后台操控电脑、指挥多个Agent各干各的。
「帮我开个PR,同时查一下昨天的CI日志」,两件事可以同时开始跑。
能不能动手
Claude语音可以通过连接器调用Gmail、日历这些SaaS工具,但它摸不到你的桌面。
ChatGPT Voice在桌面端配合Computer Use,可以直接操控你的电脑。文件、程序、终端,它都能碰。
想得有多深
Claude的底牌是Opus 4.8,在多步推理和知识综合类任务上依然是最强模型之一。但语音模式跑的是Opus的最快版本,不是满血推理版。
GPT-Live这边,High档可以异步委派给GPT-5.5 Thinking做深度推理,反而能在语音场景下调用接近满血的推理能力。
连输入框都不需要的时代
看到这儿,两家的分岔就清楚了。
轮流制的Claude,主打的是用你自己的Gmail、日历、文档,帮你把自己那摊事理明白。
全双工的GPT-Live,主打的是像在跟一个人说话。可打断、可多线程、可操控电脑,让你忘记对面是AI。
对不写代码的人来说,Claude门槛低得多,有邮件要理、日程要排,张嘴就行。
OpenAI那条路更爽也更极客,你手里得先真有一队Agent、有真活给它们干。
正如Greg Brockman所说,「比起语音,打字这件事本来就特别不自然。」
那把陪了人类四十年的塑料按键,如今正式被OpenAI和Anthropic同时逼到了墙角。
参考资料:
https://x.com/testingcatalog/status/2080401533728940372
https://x.com/OpenAI/status/2080378182469857576
https://x.com/testingcatalog/status/2080385285951521150
https://x.com/claudeai/status/2080376094939603366
https://claude.com/blog/think-through-hard-problems-in-voice-mode
本文来自微信公众号“新智元”,作者:ASI启示录,编辑:摩西
