刚刚，Claude爆改语音！11种语言，就是没中文

刚刚，Anthropic和OpenAI同时放出了语音模式大升级！

Claude这边，从只能跑Haiku升级到Opus 4.8和Sonnet 5全系列，不仅能在对话里调Gmail、日历、Slack，还扩增到11种语言，但没有中文。

OpenAI那边，全双工GPT-Live直接搬上了macOS和Windows桌面，动动嘴就同时指挥一整队Agent，并且支持中文。

Claude Voice大升级

在此之前，Claude的语音模式只能跑Haiku，也就是最小的那个模型。

你跟它语音聊天，它能听懂，但稍微复杂一点的问题就容易翻车。

现在，Opus 4.8和Sonnet 5都上了。

你可以在对话中途切换模型。系统自动调用所选模型的最快版本。注意，是最快版本，不是完整推理版本。

好消息是，语音模式会默认加载你上次文字聊天用的模型，文字和语音之间上下文不断，无缝来回切。

交互方面，则有两种模式：Hands-free持续监听自动回复，Push-to-talk按住说话松手结束。

当然，要说最重要的，那还得是「工具调用」。

语音对话中，Claude现在可以直接连接你的Gmail、Google Calendar、Slack、Google Docs、Canva。

说一句话，它替你翻邮件、查日历、读文档、发消息。

Anthropic的产品经理Robert Bye举了几个例子：

· 帮我总结Slack过去几小时我错过了什么。

· 把新项目PRD的摘要发给Slack上的Nick。

嘴上说完，活就干了。

技术上，语音里的工具调用和文字聊天走的是同一套Connectors架构，不是阉割版，每次调用前还会先问你要许可。

所有套餐都能用，但免费用户只有Haiku加1个连接器，Opus全套得氪金。用量从常规额度里扣，今天起全平台公测推送。

11种语言，没有中文

语言方面，Claude语音模式这次支持了11种语言：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、欧洲西班牙语。

从头找到尾看一遍，没有中文。

对这部分用户来说，还是得继续打字。

而且Claude不会自动检测你说的是什么语言。

你得主动开口让它切，比如「请用日语跟我说话」，或者去设置里手动选。不切的话，默认是英语。

有意思的是，此前有开发者从Claude App的代码中扒出过一份语言列表，包含18种语言，其中明确写着Chinese。

结果，18种变11种，中文直接被砍了。

ChatGPT Voice杀入桌面

相比之下，ChatGPT的语音则是从底层换了一套全新的架构。

它用的是7月8日刚发布的GPT-Live，一个全双工语音模型。

所谓全双工就是，模型能够同时处理输入和输出音频流，并且每秒做出几十次判断，不用等你说完就能回应。

所以GPT-Live会在你说话中间「嗯嗯」「明白了」，像活人在听。

更进一步来看，它基于的是一个双层架构。

前台是一个轻量低延迟的语音模型，负责实时对话、轮次管理、打断响应，所有需要毫秒级反应的事。

后台是GPT-5.5，负责复杂推理、网页搜索、Agent任务。

当你问一个需要深度思考的问题，GPT-Live会把任务异步委派给后台的GPT-5.5，然后自己继续跟你聊，等结果出来了再汇报。

OpenAI管这个叫「委派推理」（Delegated Reasoning）。

具体来说就是，OpenAI把对话延迟和推理深度，被彻底解耦了。你不需要等大模型想完才能继续说话。

推理深度还能调三档：Instant最快，Medium中等推理，High深度推理，分别对应GPT-5.5的不同档位。免费用户用的是GPT-Live-1 mini。

从跑分来看，这个委派架构是真的管用，语音模式终于不再是「降级版聊天」了。

• GPQA（专家级科学推理）从此前高级语音模式的45.3%跳到84.2%。
• BrowseComp（Agent网页搜索能力）从0.7%飙到75.2%。
• 模拟真实多轮电信客服场景的τ³-Voice Telecom基准，GPT-Live也全面碾压。

嘴上说着，多个Agent同时跑

有了这套底子，OpenAI直接把它搬上了桌面。

从今天起，ChatGPT Voice正式登陆macOS和Windows桌面端。

你可以设一个全局快捷键，在任何应用里一键唤起ChatGPT Voice。

macOS上还有Appshots功能，ChatGPT可以直接读取你当前活跃窗口的内容，作为对话的上下文。

比如，对着Excel说「帮我算一下Q3同比」时，它能看得到你的表格。

此外，你还可以用语音指挥ChatGPT Work和Codex里的多个Agent同时工作。

一边让一个Agent写代码，一边让另一个Agent查文档，嘴上说着就行。

GPT-Live在前台跟你说话，后台同时启动、检查、切换多个工作线程，不需要你回到键盘前。

目前，Plus、Pro、Business、Edu、Enterprise套餐可用。

10秒钟就能感受到的差距

• 能不能打断

Claude语音是轮流制，你说完它才想。想插嘴？等着。

GPT-Live可以被打断。你说到一半改主意了，它立刻停下来跟上你新的想法。打断前说到哪儿，它还记得。

• 能不能一心多用

Claude一次只做一件事——语音聊天。

ChatGPT Voice在桌面端可以一边跟你说话，一边在后台操控电脑、指挥多个Agent各干各的。

「帮我开个PR，同时查一下昨天的CI日志」，两件事可以同时开始跑。

• 能不能动手

Claude语音可以通过连接器调用Gmail、日历这些SaaS工具，但它摸不到你的桌面。

ChatGPT Voice在桌面端配合Computer Use，可以直接操控你的电脑。文件、程序、终端，它都能碰。

• 想得有多深

Claude的底牌是Opus 4.8，在多步推理和知识综合类任务上依然是最强模型之一。但语音模式跑的是Opus的最快版本，不是满血推理版。

GPT-Live这边，High档可以异步委派给GPT-5.5 Thinking做深度推理，反而能在语音场景下调用接近满血的推理能力。

连输入框都不需要的时代

看到这儿，两家的分岔就清楚了。

轮流制的Claude，主打的是用你自己的Gmail、日历、文档，帮你把自己那摊事理明白。

全双工的GPT-Live，主打的是像在跟一个人说话。可打断、可多线程、可操控电脑，让你忘记对面是AI。

对不写代码的人来说，Claude门槛低得多，有邮件要理、日程要排，张嘴就行。

OpenAI那条路更爽也更极客，你手里得先真有一队Agent、有真活给它们干。

正如Greg Brockman所说，「比起语音，打字这件事本来就特别不自然。」

那把陪了人类四十年的塑料按键，如今正式被OpenAI和Anthropic同时逼到了墙角。

参考资料：

https://x.com/testingcatalog/status/2080401533728940372

https://x.com/OpenAI/status/2080378182469857576

https://x.com/testingcatalog/status/2080385285951521150

https://x.com/claudeai/status/2080376094939603366

https://claude.com/blog/think-through-hard-problems-in-voice-mode

文章来自于微信公众号 “新智元”，作者 “新智元”