OpenAI 复盘：6 个月构建 GPT-Live 实时语音系统

OpenAI 复盘：我们是如何在 6 个月内完成构建 GPT-Live 实时语音系统的

GPT-Live 是OpenAI 最新一代的语音模型，它摒弃了原有的“轮流检测器”，实现了全双工（Full-duplex）——即 AI 可以边听边说，完全模仿真人的对话习惯。

为了做到不到 1 秒的极致超低延迟，OpenAI 在底层技术上做了重磅升级。

“嘴巴”和“大脑”分工合作（异步委托机制）：

快路径（前端语音）：专门负责“聊天和接话”，把语音数据以极快速度在用户和语音模型间传递。

慢路径（后台大脑）：遇到复杂逻辑、搜索或调用工具时，后台会异步请出 GPT-5.5 等超强大模型来思考，思考完再把结果送回语音模型。

重构底层代码与网络传输：

改用 Go 语言：把媒体前端和推理逻辑从 Python 替换为 Go 语言，大大降低了音频数据包的延迟波动。

自定义传输协议 WARP：基于 WebRTC 进行了优化，推出了开源规范 WARP，把原本建立语音连接所需的 6 次网络往返缩减到 1 次（甚至单个 UDP 包就能启动），实现“秒连”。

更详细↓

https://best.xiaohu.ai/article/openai-gpt-live-realtime/