ChatGPT Voice 的更新让人惊喜
ChatGPT Voice's update surprised me很早就试过 ChatGPT Voice。
但过去一年多，我基本没怎么用。
不是因为语音识别差，也不是因为声音不像真人，而是我一直觉得：一旦切到 Voice，ChatGPT 就好像变弱了一点。
简单聊聊天没问题，但稍微复杂一点，我还是会想：
算了，打字吧。
最近 OpenAI 更新了新一版 Voice，我重新用了几次，第一次真的有点被 impress 到。
我现在依然绝大多数时候都在打字。Voice 和文字的使用比例，可能连 1:100 都不到。
但有一个变化很明显：
以前有些生活场景，我根本不会想到打开 ChatGPT；现在我开始会用 Voice。
这次 Voice 到底变了什么？
我自己的体验毕竟有限，所以后来也去看了 OpenAI 这轮到底更新了什么。
还真不只是“声音更自然了”。
1. 对话终于没那么像轮流发语音了
7 月 OpenAI 推出了新的 GPT-Live。
一个很重要的变化是 full-duplex：它可以持续听你说话，同时判断什么时候该回答、什么时候继续听。
这听起来很技术，但落到使用体验里其实很好懂。
人讲话不会像填写表单一样：
你说完一句 → 停止 → 对方完整回答 → 再轮到你。
我们会停顿，会想一下，会突然插话，也会说到一半改口。
新版 Voice 对停顿、打断、背景噪音、turn-taking 都做了优化。
所以这次我很明显的感受就是：
终于比较像在聊天，而不是轮流录音。
2. Voice 不需要自己硬扛所有复杂任务了
我觉得这是比“声音像不像真人”更重要的变化。
实时语音一直有一个矛盾：
你希望它马上回答，但越复杂的推理、搜索和任务，通常越需要时间。
新版 GPT-Live 的思路是让不同模型分工。
Voice 负责实时交流；遇到需要搜索、复杂推理或者更重的任务，可以交给后台更强的模型处理，再把结果带回当前对话。
也就是说：
负责跟你聊天的，和负责认真干活的，不一定非得是同一个模型。
这也解释了为什么这次语音和文字之间的“能力落差感”比以前小很多。
3. 它也终于能接上更多你原本就在 ChatGPT 里做的事情
现在 Live Voice 已经可以使用 web search 和 memory。
8 月又加入了 Files 和 Projects。
比如你本来就在一个 Project 里长期讨论某件事，现在可以直接开 Voice，继续参考这个 Project 里的 recent chats、sources 和 instructions，而不是从头交代一遍背景。
这一点对我很重要。
因为我平时很多事情本来就长期放在 ChatGPT 里：写作、产品、求职、学习，以及一些生活里的长期问题。
以前 Voice 最大的麻烦之一就是：
一开口，又要重新解释。
现在这种割裂感小了很多。
4. Voice 也开始进入“不只是聊天”的地方
最近我还注意到，ChatGPT 里越来越多地方出现了 Voice 入口，桌面端的 Work / Codex 也加上了语音。
这里需要区分一下：
普通 Chat Voice 目前并不是“你说句话，它就能调用所有 connected apps 和 plugins”。
但在 Work / Codex 这种 agentic 环境里，Voice 可以利用当前环境已有的 tools 和 permissions，启动任务、查看进度、调整正在做的事情。
这让我开始觉得，OpenAI 最近对 Voice 的定位可能正在发生变化。
以前的问题更像：
“AI 能不能和我自然地说话？”
现在开始变成：
“当我的手和眼睛正在做别的事情时，我还能让 AI 帮我做什么？”
但我并没有因此少打多少字
这点我觉得挺重要的。
我不认为 Voice 会替代文字，至少对我完全不是。
写文章、改简历、看代码、比较信息、核数字、做最后审核，我都更喜欢文字。
文字方便扫读、回看、修改，也更精确。
Voice 真正开始进入我的生活，反而是另一类场景。
比如：
散步的时候想事情。
以前如果脑子里突然有一个问题，我不会停在路边打十分钟字。
现在可以直接边走边聊。
模拟面试。
文字模拟面试当然也可以，但真实面试不是让你坐在那里慢慢组织一个完美答案。
Voice 可以一题一题问、继续追问，暴露出来的问题也更接近真实表达。
想把一件复杂的事情聊清楚。
有时候自己也还不知道问题到底是什么。
这种时候，与其先写一大段结构完整的 Prompt，我反而更喜欢直接讲，让它不断追问。
练习语言。
这可能是 Voice 最天然的场景之一。
不是让 AI 帮我“修改一句英文”，而是真的需要张嘴、组织语言、临场回答。
所以如果一定要总结我自己的使用方式，我现在会觉得：
文字更适合“产出和审核”，Voice 更适合“过程和互动”。
当然不是绝对，但这个区别对我很有用。
如果你想重新试 Voice，我会先试这几种
其实 Voice 不太需要复杂 Prompt。
比起规定最终输出格式，我觉得更重要的是提前告诉它：
我们接下来要怎么聊。
比如散步时整理思路：
我接下来会散步 20 分钟，想把 X 想清楚。一次只问我一个问题，不要急着给答案。你的回复尽量短一点，最后再帮我总结我真正纠结的几个问题。
模拟面试：
你现在是 X 岗位的面试官。一次问一题，根据我的回答继续追问。过程中不要提示我应该怎么答，面试结束以后再从内容、结构和表达三个方面给反馈。
想梳理一件让自己困扰的事情：
我想把一件事情讲清楚。先不要急着给建议，像访谈一样逐步问我，帮我区分事实、我的解释、感受和真正的需求，最后再总结。
或者你正在做饭、走路，没办法一直盯屏幕：
我现在不方便一直看屏幕。需要搜索时直接搜索，先用很短的话告诉我最重要的结论，详细信息留在聊天里，我之后再看。
我现在甚至觉得，Voice Prompt 和文字 Prompt 有一点不同：
文字里，我们经常定义“最终要产出什么”；Voice 里，更值得定义的是“我们接下来怎么互动”。
一次问几个问题、回答多长、什么时候追问、什么时候总结、什么时候才给建议。
这几个规则一说清楚，体验会好很多。
为什么偏偏是现在？
我不确定 OpenAI 内部到底把 Voice 放在多高的战略优先级，所以不想替他们下结论。
但从产品发展来看，我觉得现在确实到了一个比较合理的时间点。
因为几个条件终于同时成熟了一些：
语音交互本身够顺了；
ChatGPT 已经有 memory、search、Projects、files 这些长期 context；
复杂工作又可以交给后台模型和 agent 去完成。
所以 Voice 不再需要成为一个独立的“语音版 ChatGPT”。
它更像是现有 ChatGPT 能力的一扇新入口。
这也是为什么我觉得最近到处增加 Voice 入口这件事挺值得留意。
不是因为以后所有人都要对着电脑讲话。
而是以前很多使用 AI 的前提其实是：
你得停下正在做的事情，拿起手机或者坐到电脑前，开始打字。
Voice 开始把这个前提拿掉了一部分。
如果你一年前也试过 ChatGPT Voice，然后觉得鸡肋，我觉得现在值得重新打开一次。
不用强迫自己把原来的打字习惯改掉。
找一个本来就不适合打字的场景试试：
散步、做饭、开车前后、练面试、练口语，或者只是脑子里有件事情想边说边想。
至少对我来说，Voice 这次真正开始变得有用，就是从这些小场景开始的。