Anthropic与OpenAI语音模式双升级：Claude迈向多模型语音交互，ChatGPT Voice登陆桌面实现全双工多Agent协同

Anthropic语音能力全面跃升：从Haiku到Opus/Sonnet，工具调用无缝落地 此前，Claude语音功能仅限于Haiku模型，响应浅层、容错率低，复杂任务易中断。本次升级后，语音模式正式支持Opus 4.8与Sonnet 5两大主力模型，用户可在对话中随时切换——系统将自动调用所选模型的最快推理版本（非完整推理版），兼顾响应速度与能力边界。 文字与语音上下文完全贯通：语音会默认加载你最近一次文字对话所用模型，无需重复设定，切换无感。交互方式提供两种选择：Hands-free持续监听自动应答，或Push-to-talk按住说话、松手即停，适配不同使用场景。 最实质性的突破在于「语音原生工具调用」。Claude now natively connects to Gmail、Google Calendar、Slack、Google Docs与Canva等常用办公服务。一句指令即可触发操作，例如：“总结过去三小时Slack里我未读的消息”“把PRD摘要发给Slack上的Nick”。所有工具调用均基于统一Connectors架构，与文字端能力一致，且每次调用前主动征得用户授权。 免费用户可使用Haiku模型+1个连接器；Opus全功能需订阅付费套餐，用量计入常规额度。本次升级已面向全平台开放公测。 语言支持覆盖11种，中文暂未上线 新版语音支持英语、法语、德语、印地语、印尼语、意大利语、日语、韩语、巴西葡萄牙语、拉美西班牙语及欧洲西班牙语，共11种语言。全程无中文支持。 语音输入不支持自动语种识别，用户需手动切换，方式包括口头指令（如“请用日语回答”）或在设置中预选，默认为英语。值得注意的是，早前开发者曾在Claude App代码中发现包含中文在内的18种语言列表，此次正式发布却缩减为11种，中文被明确移除。 OpenAI推出GPT-Live：全双工语音架构登陆桌面，开启多线程人机协作新范式 OpenAI此次并未迭代旧语音模块，而是启用全新底层架构——7月8日发布的GPT-Live。其核心是全双工实时音频处理能力：模型可同步接收与生成语音流，每秒完成数十次语义判断，无需等待用户说完即可回应，自然插入“嗯”“好的”等反馈，模拟真人倾听节奏。 该架构采用前后台分离设计：前台由轻量低延迟语音模型负责实时对话管理、打断响应与轮次控制；后台则调度GPT-5.5进行深度推理、网页搜索与Agent任务编排。当用户提出复杂问题，前台继续对话，后台异步执行并回传结果——OpenAI将此称为「委派推理」（Delegated Reasoning）。 推理深度支持三档调节：Instant（极速响应）、Medium（中等推理）、High（深度推理），对应GPT-5.5不同计算资源配置。免费用户默认使用GPT-Live-1 mini版本。 实测性能显著跃升：GPQA专家级科学推理准确率从45.3%提升至84.2%；BrowseComp网页搜索任务完成率由0.7%飙升至75.2%；在τ³-Voice Telecom多轮电信客服模拟基准中全面领先。 桌面端落地：全局唤起、窗口感知、多Agent语音指挥 GPT-Live现已正式登陆macOS与Windows桌面客户端。用户可设置全局快捷键，在任意应用界面一键唤醒语音助手。 macOS端新增Appshots功能：ChatGPT可实时读取当前活跃窗口内容作为上下文。例如，在Excel中说“计算Q3同比”，模型能直接解析表格结构与数据范围。 更关键的是，语音可直接调度ChatGPT Work与Codex中的多个Agent并行工作。例如：“生成登录页前端代码，同时检索React Router v6文档”，两条指令同步启动，前台持续对话，后台自动分发、执行、整合结果，全程无需切回键盘。 该功能面向Plus、Pro、Business、Edu及Enterprise订阅用户开放。 体验维度对比：语音不再是妥协，而是新交互原生形态 • 打断能力：Claude为半双工轮流制，用户必须说完才能获得响应；GPT-Live支持实时打断，且能准确承接中断前语义，无缝转向新意图。 • 多任务能力：Claude语音聚焦单线程任务处理；GPT-Live在桌面端可边对话、边操控本地应用、边调度多个Agent，真正实现「嘴上说，手上做，脑中想」三位一体。 • 操作边界：Claude通过SaaS连接器调用云端服务；GPT-Live结合Computer Use能力，可直接操作文件系统、启动程序、运行终端命令，触达操作系统层。 • 推理强度：Claude语音虽搭载Opus 4.8，但实际运行为其最快推理版本；GPT-Live High档位可异步调用接近满血的GPT-5.5 Thinking，语音场景下推理深度反超。 两条路径，一种共识：输入框正在退场 Claude的演进路径清晰务实——以语音为入口，深度整合用户已有数字资产（邮件、日历、协作工具），让日常事务管理回归自然表达。它降低使用门槛，适合非技术用户快速上手。 OpenAI则走向更高维的操作系统级融合：语音不仅是交互通道，更是指挥中枢。它要求用户具备Agent工作流基础，但一旦建立，即可释放出远超传统界面的生产力密度。 二者共同指向一个趋势：打字这一沿用四十余年的交互范式，正被更符合人类本能的语音对话加速替代。输入框的消退，不是功能的削弱，而是人机关系的一次本质性升级。