据公开报道，一位创业者曾在 LinkedIn 上记录过类似经历，一次两小时的步行中，他用纯语音交互写完了整个网站的文案。
当大多数人还在争论大模型参数高低的时候，人机交互的方式正在发生一次结构性变化。屏幕正在从 " 操作的入口 " 退化为 " 结果的展示窗口 "，语音正在从 " 辅助输入 " 升级为 " 计算的主交互通道 "。
GPT-Live：全双工语音的技术突破
喊一声 "Hey Siri" 设闹钟，问一句 " 小爱同学 " 放首歌。过去十年，人们习惯的 " 语音助手 " 本质上是一问一答的单次服务。你说一句，它做一件事，交互结束。它不记得上下文，不会在你沉默后主动推进任务，更不会在后台持续运行一段工作流。
2026 年的 ChatGPT Voice 改变了这种交流方式。全双工语音架构意味着 AI 可以同时听和说，可以被随时打断，可以在你思考的间隙等待而不是超时退出。更重要的是，它支持持续后台执行。你口述一个复杂任务，AI 在云端拆解、执行、等待中间结果、汇总，最后汇报。期间你可以继续走路、开车、做咖啡，不需要盯着进度条。
这个变化放在具体场景里，对比足够直观。过去，你要完成一份报告，需要打开电脑、登录系统、打开浏览器和 Excel、筛选数据、打开 PPT、粘贴图表、写文字、排版、导出。一套流程下来，你实际在 " 操作工具 " 而非 " 思考内容 "。现在，你只需要口述任务，AI 在云端执行工具链，汇报结果，你口述修改，定稿。屏幕是可选项，不是必选项。
支撑这一变化的，是 7 月 OpenAI 发布的两项关键技术更新。
在全双工语音赛道上，OpenAI 并非先行者，谷歌 Gemini Live 和字节跳动豆包此前已实现实时语音对话。GPT-Live 的意义在于，它将语音能力与 Codex Agent 工作流深度绑定，让语音从 " 聊天 " 升级为 " 指挥 "。
OpenAI 发布的新一代语音模型 GPT-Live，基于全双工架构构建，每秒可以做出多次交互决策，实现了更自然的对话节奏，让交流更接近真人对话。同月，OpenAI 将 GPT-Live 语音能力集成到 ChatGPT 桌面应用中，用户可以通过语音直接控制桌面端的 Codex 编程 Agent 和 ChatGPT Work 工作流 Agent。你对着电脑说一句话，AI 就能理解意图、调用工具、执行任务。
从使用规模看，据 OpenAI 官方数据，目前每周有超过 1.5 亿人使用 ChatGPT 的语音和听写功能，应用场景涵盖免提日常帮助、语言练习、通勤途中的闲聊陪伴。其 2026 年发表的论文《The Shift to Agentic AI: Evidence from Codex》披露了内部使用数据，从 2025 年 11 月到 2026 年 6 月的半年间，OpenAI 员工使用 Codex 的中位数 token 消耗量呈现爆发式增长。97.9% 的员工已在日常工作中使用 Agent 模式。这家公司自己的员工，正在从 " 跟 AI 聊天 " 切换到 " 让 AI 干活 "。
交互范式每一次迭代都遵循一条规律，交互成本的降低会创造新的使用场景，而新场景的总量远超旧场景。键鼠让专业工作数字化，创造了电子表格和代码编辑器；触屏让数字交互随身化，创造了短视频、移动支付和打车软件。语音让计算变成无感化的背景服务。写文档、盯数据、查信息，甚至做创作，这些场景叠加在一起，总量将远超 " 打开一个 App 完成一件事 " 的手机范式。
问题是，谁来决定语音入口的归属？
Altman 的硬件棋局
OpenAI 做硬件这件事，如果只看表面，一家模型公司跑去造耳机，确实容易让人困惑。但把时间线拉长看，Altman 在执行一条清晰的商业路径，而且这条路径有迹可循。
2001 年，苹果发布了 iPod。在那之前，苹果是一家电脑公司，iPod 是一个音乐播放器，看起来像 " 不务正业 "。iPod 的真正使命不是卖设备，而是培育用户用 iTunes 管理音乐的习惯。等到 2007 年 iPhone 发布时，用户已经习惯了苹果的软件生态，硬件只是水到渠成的最后一块拼图。iPod 用了 6 年才等到 iPhone 问世。
Altman 的路径有相似之处，但差异同样明显。从 ChatGPT Voice 上线到 Sweet Pea 量产，不到两年，节奏远快于苹果。更重要的是，2026 年的市场环境与 2001 年截然不同。数十亿台智能手机已经在用户口袋里，Sweet Pea 面对的是一个设备饱和的市场，它要做的是在已有生态中插入一个新的交互层。
三步走的逻辑是清晰的。
第一步，用 ChatGPT Voice 培育语音交互习惯。从 2024 年 Advanced Voice Mode 上线，到 2025 年 11 月语音与文本界面融合，到 7 月 GPT-Live 发布，每一步都在降低用户从 " 打字 " 切换到 " 说话 " 的心理门槛。截至 7 月，ChatGPT 的周活跃用户已接近 10 亿，是全球增长最快的互联网应用之一。不过，增速相较年初有所放缓。Gemini Live 的分流、GPT-5 发布后的口碑争议、Claude 在编程场景的蚕食，都在影响着增长曲线。
第二步，锁定工业设计能力。2025 年 5 月，OpenAI 以约 65 亿美元收购了 io Products，由 Jony Ive 联合创立的 AI 硬件公司，55 名员工。Ive 主导设计了苹果从 iMac 到 iPhone、iPad、AirPods 的几乎每一代标志性产品，他懂得如何把消费电子产品做得让人爱不释手。这是 AI 模型厂商自己很难具备的能力。
第三步，用硬件完成生态闭环。2026 年下半年，内部代号 "Sweet Pea" 的 AI 耳机将面世，由 LoveFrom 设计工作室操刀，采用耳后挂戴或开放式音频结构，强调 " 技术隐形 " 与全天候佩戴。
据供应链消息，首年产量目标在 4000 万到 5000 万台之间，由富士康代工。作为参照，iPhone 上市首年实际销量约 610 万台。一个是产能规划，一个是市场出货，口径不同，但量级差距仍能说明 OpenAI 对这个品类的押注力度。不过，受存储芯片涨价影响，首批产品可能缩减为基础耳机形态，完整算力版本或将延后。
AI 硬件赛道不乏前车之鉴。Humane AI Pin 售价 699 美元，上市后因交互反人类（以手势操作替代触控，学习成本极高）、续航崩盘（数小时一充）、核心功能依赖手机热点等问题迅速遇冷，最终被惠普收购。Rabbit R1 同样因响应延迟、功能与手机 App 高度重叠、缺乏独立生态而后续乏力。
这两款产品的共同教训是，硬件形态和 AI 能力之间需要找到平衡，单靠一个新设备无法创造新交互习惯。Sweet Pea 能否打破这一局面，取决于它能否回答几个问题：能否在不深度依赖手机系统权限的前提下提供完整体验？续航和佩戴舒适度能否支撑全天候使用？语音交互是否足够好，好到让用户愿意从已经习惯的手机屏幕上移开注意力？这些问题目前没有答案。
7 月，OpenAI 还推出了 Codex Micro 联名键盘，一款 13 键可编程机械键盘，售价 230 美元，定位为 " 智能体工作指挥中心 "。虽然面向开发者，但它释放了一个信号，OpenAI 正在从纯软件公司转向 " 软件加硬件加生态 " 的全栈计算平台。
真正的对手
OpenAI 如果把硬件、云端 Agent 和 ChatGPT 订阅捆绑在一起，意图构建一条完整的商业链条。但语音入口之争的真正对手，不在端侧，而在系统层。
Google 有搜索引擎、Android 系统、Pixel 硬件和 Gemini 的全栈能力。Gemini Live 已率先实现实时语音对话。更关键的是，Android 设备全球月活超过 30 亿台，Google 有能力把语音交互能力直接植入系统层，不需要另造硬件。
Apple 掌握着 AirPods，全球 TWS 耳机市场份额第一的产品，加上 iOS 生态和自研芯片。苹果一直在推进 Siri 的大模型化重构，虽然进度落后于 OpenAI，但一旦 AirPods 配上真正能干的 Siri，OpenAI 的 Sweet Pea 面对的将是一个已经占据用户耳朵的对手。
这里有一个 OpenAI 绕不开的结构性短板，它没有自己的操作系统。苹果用 iPhone 把用户锁进 iOS 生态，靠的是操作系统、App Store、芯片和硬件一体化控制力。OpenAI 目前只有模型和硬件，缺了中间最关键的一层。Sweet Pea 要真正发挥作用，需要深度调用智能手机的系统级权限，包括日程、通讯录、智能家居控制，乃至微信这样的第三方应用。
而这些权限，分别掌握在 Apple 和 Google 手中。如果不能深度调用这些权限，Sweet Pea 的体验会大打折扣。这正是 Humane AI Pin 和 Rabbit R1 踩过的坑。
换言之，OpenAI 的硬件闭环，是建在别人地基上的。
范式切换意味着产业链重排。当一个首年产能目标近 5000 万台的新品类诞生，且底层逻辑是 " 算力在云端、交互在语音、感知在端侧 "，至少三个方向会出现明确机会。
最关键的是端侧语音硬件。要做到 " 永远在听但从不误触发 "，需要的不仅是一颗麦克风，而是一整条信号处理链路：多麦克风阵列、波束成形、自适应降噪、回声消除、语音活动检测。在此基础上，还需要一颗低功耗离线语音预处理芯片，能在毫瓦级功耗下完成唤醒词检测和基础指令识别。
这是端侧 AI 芯片公司的机会窗口。科大讯飞的 AIUI 平台已经把语音交互跑到了 100MHz 主频、140KB 存储的 RTOS 设备上，降噪耳机、智能眼镜，甚至一个领夹大小的设备，都能承载完整的语音前端处理能力。
另一个方向是多设备协同与跨端调度。语音全域交互的隐含前提是，你不会只用一个设备。你可能戴着耳机跟 AI 说话，AI 需要把生成的文件发到笔记本上，把图表投到最近的屏幕上，把提醒同步到手表上。这需要 AI 在云端判断当前的最佳输出通道，自动路由。这个方向在架构层面不直接面向消费者，但它是整个语音计算生态的底层基础设施。
还有一块是常驻 Agent 后台，也就是个人云端 AI 工作站。
全双工语音交互如果只是 " 更快地回答你的问题 "，那它最多取代搜索引擎。真正的商业价值在于让 AI 在你没看屏幕的时候持续工作。你早上口述三个任务，然后去开会，AI 在云端一个接一个执行，开完会回来，三件事都做完了。这背后需要的是一个常驻 Agent 后台，持久化的云端工作环境，保留文件系统状态、浏览器会话、工具链和调度系统。Manus 等产品已在这一方向探索。
中国企业的路径选择
中国在端侧语音 AI 上的积累，走了一条和 OpenAI 几乎正交的路径。
科大讯飞做了 27 年语音技术，在中文语音领域有着难以复制的数据壁垒。7 月，讯飞发布了 AIUI 多模态交互平台升级，融合语音、视觉、Agent 与具身智能，支持 100 多种拟人音色，覆盖 100MHz 主频、140KB 存储的 RTOS 极限低功耗方案。其策略是把 AI 语音能力植入已有的硬件，比如智能音箱、汽车座舱、教育平板，而不是另起炉灶做新硬件。这个策略起量快、成本低、不需要教育市场，但碎片化严重，体验参差不齐。
面壁智能在端侧模型领域同样进展迅速，其 MiniCPM 系列开源模型在 GitHub 和 Hugging Face 上的累计下载量已突破 3800 万（据面壁智能官方数据，截至 2026 年 7 月）。5 月 25 日，面壁发布了 MiniCPM5-1B 端侧文本大模型；7 月 WAIC 大会上，又发布了参数更大的 MiniCPM5-2B 以及一个 VLA 具身模型。以豆包 App 月活计，字节跳动在端侧 AI 用户规模上居国内前列；小米的 AIoT 端侧设备搭载量全球领先。
还有一种路径介于纯云端和纯端侧之间。WAIC 期间，腾讯云 WorkBuddy 与李未可科技宣布战略生态合作，发布首款接入 WorkBuddy 的 X-AI 记忆眼镜。眼镜整机主体 26 克，搭载多麦克风阵列与自研 WakeeMemory OS，能自动识别会议、商务拜访等场景并启停录音，将音频整理为人物、事件、时间、任务等结构化信息，再同步至 WorkBuddy 云端，由后者生成文稿、PPT 和日程安排，完成任务跟进与跨系统流转。这条从感知到记忆再到执行的链路，把硬件入口和云端 Agent 连在一起，既不像 OpenAI 那样从零造新硬件品类，也不像纯端侧方案那样受限于设备算力。6 月腾讯云发布 Buddy AI 共创生态计划后，这是硬件生态首个落地成果。
中国企业的打法并不唯一。讯飞和面壁走端侧路线，让模型直接在设备上跑，用存量设备规模对冲新硬件品类的不确定性。WorkBuddy 与李未可的合作走的是中间路线，硬件负责感知和记忆，云端 Agent 负责执行和交付。端侧路线的优势在隐私保护和离线可用性，在中国数据合规框架下具有适配性。中间路线的优势在算力不受限，能完成更复杂的工作流，但依赖网络连接。
但端侧路线的短板同样明显。模型能力的天花板受限于设备算力，很难与云端大模型正面竞争；跨设备协同缺乏统一标准，不同厂商的设备之间难以无缝衔接；生态碎片化导致开发者适配成本高企。这些短板如果持续存在，所谓 " 正交路径 " 的竞争力就需要重新审视。
全双工语音交互面临一个共同的结构性风险，它在物理上等效于 " 一个永远开着的麦克风 "。中国《个人信息保护法》对生物识别信息和声纹数据的采集有着严格的单独同意要求。GDPR 将语音生物识别列为 " 特殊类别数据 "，违规罚款上限为全球营收的 4%。这些规则表面上是法律问题，实质上决定的是产品形态。
一个需要你每次使用前手动授权的 " 全时 AI 助理 "，等于废掉了 " 全时 " 二字。谁能设计出一套既合规又无感的用户同意机制，比如声纹本地识别不上传、差分隐私处理后的模糊化音频、硬件级的物理麦克风开关，谁就可能在这个赛道上拿到最大的一张合规牌照。
计算机的历史，是一部交互成本不断降低的历史。从打孔纸带到命令行，从图形界面到多点触控，现在轮到声音。每一次交互成本大幅下降，旧秩序中最大的公司都觉得自己准备好了，但没有一家真正准备好过。2007 年 iPhone 发布时，Nokia 还是全球手机霸主；BlackBerry 直到 2013 年仍在坚持全键盘设计。
就像今天走在山路上完成报告的那个人一样，我们正在经历的，是一个 " 屏幕可选项化 " 的起点。真正的变量不是语音能不能取代屏幕。屏幕不会消失，只是不再是唯一选项。变量在于，当语音成为计算的新入口之一，谁占据了这个入口，谁就在下一代计算的版图中拿到了一个关键位置。
（本文首发钛媒体 APP，作者 | 硅谷 Tech-news，编辑 | 焦燕）
