OpenAI 已将 ChatGPT 语音功能推向其 macOS 和 Windows 桌面应用，使 Plus/Pro/Business/Edu/Enterprise 用户能够通过语音而非打字，在 ChatGPT Work 和 Codex 中指挥多个后台代理。

此次发布在技术上与以往 ChatGPT 语音功能的不同之处在于全双工能力：GPT-Live 于 2026 年 7 月 8 日首次发布，设计为可同时监听与说话，而非像对讲机那样轮流响应 ^[1]。这使得用户可在句子中途纠正或打断，模型也能实时调整。OpenAI 自身的产品负责人也将此视为迈向语音成为通用计算接口的关键一步，而不仅仅是一种聊天模式。

此次桌面端实现（发布版本为 26.715）^[3]实际上采用双模型协作，而非单一系统包办一切：GPT-Live 负责实时对话，而另一个独立的推理模型 GPT-5.6 Terra 则真正启动并协调 Work 或 Codex 中的代理任务 ^[2]。在 macOS 上，这一架构进一步延伸出“屏幕上下文”或 Appshot 功能，用户说“看看这个”时，系统会将最前端窗口内容作为上下文传递给模型，无需手动截图 ^[4]。这种架构解释了该功能的核心亮点（说话后，后台代理持续工作）以及用户报告的某些异常：由于涉及两个模型，系统在会话中途偶尔需切换模型，当出现问题时，这种切换痕迹便暴露出来。

OpenAI 自身的发布材料和外部评论描述了一种几乎无摩擦的工作流：说出指令，Codex 即可修复 bug 并提交拉取请求，用户可转身离开，评论员将此效果比作拥有一个个人版 Jarvis ^[5]。这种描述也得到一些早期热情用户的呼应，他们表示再也不想通过打字与 AI 交互。

但真正需要用此工具交付代码的开发者社区则意见分歧更大。尽管有用户热情地将语音作为多代理协调器使用，但另一部分实践者的反馈却指出，针对编码的语音工作流速度慢、令人困惑，且不适合精确的开发工作，许多人质疑为何要口述编码指令而非直接输入。一个常被提及的痛点是语音模式在会话中途静默切换活动模型的 bug，导致对话分裂为两个线程，这与上述 GPT-Live/GPT-5.6 Terra 协作架构中的命名不一致现象相符。结果是同一功能呈现出双重身份：在演示中是“AI 工作操作系统”，在实际使用中则是一个有潜力但尚未完成的工具。

还存在第三种完全脱离“开发工具”框架的反馈：在 X 平台上，反应沿着另一轴线分裂，国际用户对一段 GPT-Live 的自然对话视频产生共鸣，尤其在日本走红，用户将其视为通用语音伙伴而非编码工具。一些最热情的自发使用场景与 OpenAI 自身的开发者或代理定位毫无关系，例如用户用 GPT-Live 在大声说话时进行实时语法纠正，这是用户自主发现的未预设用法。

此次发布的时机并非偶然。Anthropic 在同一天（2026 年 7 月 23 日）更新了 Claude 的语音模式，增加了跨 Gmail、Google Calendar、Slack、Notion 和 Canva 完成任务的能力 ^[5]。两家前沿实验室同时将语音从简单对话推向主动任务指挥，表明双方正竞相争夺语音作为自主代理控制层的地位，以率先在用户中建立使用习惯 ^[6]。

这场竞争也解释了为何 OpenAI 将此功能深度嵌入其工作产品，而非将其视为新奇功能：如果语音成为人们监督代理集群的方式，那么率先掌控该交互模式的助手将在日常工作流中获得持久优势，这种优势独立于某周内哪个底层模型在技术上更强。

语音访问权限在 ChatGPT 的不同订阅计划中并不统一，一旦语音用于实际的代理工作而非随意聊天，这些差异就变得重要。Plus 用户每五小时享有约 15 至 30 分钟的滚动语音窗口，而 Pro 20x 订阅用户则享有无限语音时长，尽管语音触发的 Codex 任务仍单独计量；Business 和 Enterprise 的按需付费客户在使用语音代理时，每分钟约计费 6 个积分 ^[2]。关键在于，语音触发的代理工作没有独立配额：它从与文本指令相同的每周 Work/Codex 配额中扣除，因此一次长时间的语音会话可能耗尽团队原本用于手动提示的预算 ^[2]。

从规模上看，即使经济模型仍在摸索中，其利害关系也极为重大：OpenAI 表示，已有超过 1.5 亿人使用 ChatGPT 的语音和听写功能 ^[1]，而此次语音功能所依托的 Codex/Work 产品在 7 月 9 日合并后，周活跃用户数据报从此前的约 500 万翻倍至约 1000 万 ^[7]。在此规模下，语音触发代理的配额设计不再是注脚，而是企业客户采用该功能时几乎全部的成本故事。