GPT-Live 发布，背后都有谁？

7 月 8 日，OpenAI 发布 GPT-Live。这是一代新的语音模型，开始驱动 ChatGPT Voice。它的核心变化很直接：模型可以同时听和说，可以在用户停顿时等待，也可以在用户打断时调整节奏。

OpenAI 同时给出两层架构：GPT-Live 负责连续语音互动，复杂问题交给后台的前沿模型处理。发布时，GPT-Live 会在后台调用 GPT-5.5；随着前沿模型更新，语音体验里的后台模型也会更新。GPT-Live-1 将成为 Go、Plus 和 Pro 用户的默认语音模型，免费用户默认使用 GPT-Live-1 mini。

这次更新，重点改了三方面

第一件事是全双工。OpenAI 在发布页里写得很具体：GPT-Live 可以连续处理输入并生成输出，模型每秒多次做交互决策，决定说话、继续听、暂停、打断或调用工具。以前的语音模型常常等用户说完再回应，停顿和背景声容易造成误判；GPT-Live 把“轮到谁说话”的问题前移到实时判断里。

第二件事是后台分工。语音模型保持交流节奏，搜索、深度推理和复杂任务交给 GPT-5.5 这类后台模型。这个设计很像一个会接待的前台同事：前台继续陪你说，后台把行程规划、资料查找和多步骤任务跑完，再把结果带回对话里。

第三件事是安全评测。OpenAI 的系统卡显示，GPT-Live 增加了语音原生评测，覆盖自伤、情绪依赖、暴力、性内容等语音场景；系统在模型说话过程中也能检测和干预，高风险场景下可以结束语音会话。语音 Agent 一旦进入陪伴、驾驶、客服、教育和医疗咨询，实时安全会和模型能力一样影响产品可用性。

官方发布页还展示了一个很实用的产品细节：GPT-Live 的回答会回到可视化界面。天气、赛事、地图这些卡片，让语音对话保留了“边问边看”的空间，用户可以继续追问、改条件、让系统重新筛选。

这19 位关键人物，影响了GPT-Live

围绕 GPT-Live 发布，AnyJob AI 梳理出 19 位关键人物。把这些人物放回新闻现场，可以看到四类角色：定义 ChatGPT Voice 体验的人、把语音能力接进住房搜索和客服的人、参与音频模型研究的人，以及中国实时语音模型圈子里的追赶者。

产品入口、住房搜索、客服 Agent：三种最先落地的场景

这三个入口的共同点是：用户问题不完整、上下文不断变化，需要 AI 一边听、一边追问、一边调用工具。

Atty Eleti 被放在第一组，是因为 ChatGPT Voice 的入口体验决定 GPT-Live 能否被用户长期打开：声音是否自然，模型是否懂停顿，打断后能否接上任务，都会影响用户愿不愿意继续说下去。

Josh Weisberg 与 Zillow 代表住房搜索场景。找房、看社区、比价格、规划通勤，本来就适合一边问、一边筛选、一边看地图。GPT-Live 这种语音前台，能让住房搜索从“填条件”变成“持续对话”。

Pedro Tabacof 与 Fin / Intercom 落在客服 Agent 场景。客服天然需要听懂打断、情绪、背景信息和前后文，还要调用订单、知识库、工单和 CRM。全双工语音让客服从“电话机器人”走向实时任务助手。

Atty Eleti

OpenAI ChatGPT Voice 产品方向｜语音体验与产品入口

Atty Eleti 是 OpenAI ChatGPT Voice 方向的产品关键人，曾任 GPT-4 API co-lead。AnyJob AI 报告显示，他的经历同时靠近工程和体验：Brown University 计算机背景，叠加 Figma、Facebook、Stripe 等产品与工程经历。

ChatGPT Voice产品入口对话节奏

人物报告	点击按钮，查看完整人物报告。

Josh Weisberg

Zillow Senior Vice President of AI｜住房搜索与生活决策场景

Josh Weisberg 负责 Zillow 的 AI 方向。Zillow 已把 AI mode 接入找房流程，这类场景天然需要多轮提问、地图筛选、价格比较和资格判断，是 GPT-Live 进入生活决策的代表入口。

Zillow住房搜索生活决策

人物报告	点击按钮，查看完整人物报告。

Pedro Tabacof

Fin / Intercom Principal 方向｜客服 Agent 与企业服务

Pedro Tabacof 是 Fin / Intercom 的 Principal Machine Learning Scientist。AnyJob AI 报告显示，他参与过 Fin Voice / OpenAI voice model 的评测、A/B、延迟优化和上线迁移；此前在 Nubank、iFood、Wildlife Studios 等团队做过机器学习和数据科学。

FinIntercom客服 Agent

人物报告	点击按钮，查看完整人物报告。

OpenAI 的演示现场，出现了两个华人名字

GPT-Live 把几类语音研发角色推到台前：音频后训练、实时模型、语音生成和安全评测。OpenAI 中文发布页的视频画面里，Yuchen Zhang、Alyssa Huang 和 Justin Uberti 以 Members of Technical Staff 的身份出现。

AnyJob AI 进一步追踪到 Yu Zhang、Junhua Mao 这两个名字，重点负责做多模态语音底座，并把研究推到 ChatGPT Voice 这种大规模产品里。他们对应的是语音模型从研究论文走向产品系统的那一段。

Yi Shen 需要单独放一笔。她现在在 Google DeepMind；在 OpenAI 阶段，她负责或共同负责 Advanced Voice Mode、gpt-4o-mini-tts、gpt-4o-transcribe 和 gpt-4o-mini-transcribe 等语音模型研究。她还曾在 Waymo 做 Scene Understanding、在 Nuro 参与自动驾驶软件栈。（没准在不久的将来，Google Gemini也将会展现同样的语音能力。）

Yu Zhang、Junhua Mao

OpenAI 音频模型研究方向｜语音模型与系统能力

Yu Zhang 是 OpenAI Research Scientist / Audio Post-Training Lead，MIT CS 博士，曾在 Google Research / Google Brain 做语音识别和跨语言 ASR。Junhua Mao 是 OpenAI Research Lead / Member of Technical Staff，早期研究集中在视觉语言和多模态表示。两人都出现在 OpenAI 音频模型相关公开材料中。

音频模型实时交互系统评测

人物报告	点击按钮，查看完整人物报告。

人物来源：AnyJob AI 关键人雷达深度背景报告。

中国团队的追赶，重点在四个方面

国内追赶的关键，已经从“有没有语音模型”转向“能不能稳定地实时对话”。中国实时语音对话模型已经有基础。Qwen3-Omni 技术报告显示，阿里通义团队把文本、图像、音频和视频放在同一多模态模型中，音频任务表现突出，并采用 Thinker-Talker MoE 架构来统一理解和生成；报告还提到流式语音合成的首包延迟优化，冷启动理论端到端首包延迟可到 234 毫秒。

这说明国内团队已经站在同一类问题上：让模型听懂人、跟上节奏、生成自然声音、接住工具调用。下一步难点会集中在四个方面：全双工交互、产品级稳定性、企业场景集成、语音安全评测。技术论文能证明模型能跑起来，真正的分水岭会在高频场景里的持续使用。

AnyJob AI 对“中国做实时语音对话模型的技术大牛圈子”做了扫描，圈层人脉网络发现 13 位相关人物。其中，阿里是这个圈子的核心，我们进一步追踪到了高志富、杜志浩、张世亮。这批名字值得持续关注，因为语音 Agent 的竞争可能就会从他们手上，从“谁的模型会说话”走向“谁能把语音接进手机、车机、客服、教育和企业流程”。

杜志浩

阿里巴巴通义实验室研究员｜CosyVoice、FunCodec、LauraGPT 等项目

杜志浩 2021 年起在阿里通义语音团队工作，哈尔滨工业大学计算机博士。公开主页和 AnyJob AI 报告显示，他参与 CosyVoice、FunCodec、LauraGPT、FunAudioLLM、MinMo、FunASR 等项目，连接语音生成、编码、识别和多模态交互几道工程门槛。

阿里通义FunASR实时语音

GPT-Live会给企业带来什么

对企业来说，GPT-Live 的意义在于把“语音输入”推进到“语音协作”。企业会先在客服、销售、房产、本地生活、教育和办公协同里看到 GPT-Live 这类能力。它的优势来自两个动作：第一，语音前台能承接更自然的沟通；第二，后台模型能把搜索、检索、推理、文件和业务系统接起来。用户说的是一句话，系统背后跑的是一串任务。

这也会改变产品经理和创业公司的判断。语音产品以前常常围绕“识别准、合成像”展开；GPT-Live 发布后，评价标准会加入打断处理、边听边做、任务回传、视觉卡片、情绪边界和安全干预。谁能把这些细节做稳，谁就更接近企业真实采购。