OpenAI 已把 ChatGPT 的语音能力正式接入桌面版 App 的 Work 与 Codex 场景，用户现在可以直接通过语音发起任务、查询进度，并在同一段对话里协调多个智能体同时执行工作。
这项更新于 7 月 23 日推出。根据文中信息，功能正面向 macOS 和 Windows 在全球分批推送，覆盖 Plus、Pro、Business、Edu、Enterprise 各档用户；Android 即将跟进，iOS 则通过 Remote 配对方式远程接入。
OpenAI 此次接入桌面端语音的底层，是 7 月 8 日上线的新一代语音模型 GPT-Live。文中称，这一模型可以同时“听”和“说”，用户可在对话过程中随时打断，系统会从最新一句继续响应，而不是采用“先录音、再转文字、然后回复”的旧式流程。
Karpathy：语音更适合一次性输入大量上下文
报道提到，Andrej Karpathy 近期分享了自己常用的一种方式：在不想逐字输入复杂需求时，直接切到语音，把持续数分钟、甚至 10 分钟的想法一口气说给 AI，再由模型整理成更清晰的表达。
按照他的说法，这种方式有助于改善人和模型之间的“心智融合”。人在面对复杂任务时，往往不愿把完整来龙去脉逐字敲清楚，而语音能够把一整段上下文以更高带宽交给 AI。Karpathy 还提到，他有时会先告诉 AI，“切语音识别了，别介意错别字”。
文中称，AI 对这种长度较长、结构较乱的语音输入尤其擅长整理，返回内容往往比原始表达更干净，来回纠偏的次数也会减少。
语音不再只是聊天输入，而是任务入口
这次更新的重点，不是把语音当作普通输入法，而是把它直接变成 Work 和 Codex 的操作入口。
在这两个场景里，用户开口就能启动一个任务，询问它当前进展，查看某个智能体的状态，也可以在一段持续对话中同时协调多个 Agent，让它们分别处理不同工作。任务在后台继续运行时，用户可以临时插话修改方向；如果任务卡住或完成，系统会主动通过语音或屏幕提示告知。
报道还提到，语音能力能够接入已有项目上下文，并连接文档、日历、联系人和通讯记录，帮助把一件进行中的事务接着做完。OpenAI 给出的日常示例包括：检查日历是否有冲突、查看邮箱中的航班是否改签、准备会议纪要等，这些任务可以在用户泡咖啡或处理其他事情时于后台执行。
在 macOS 上，系统还支持 Appshots 和屏幕上下文，可读取当前位于最前面的窗口，并结合本地文件和代码库一起理解内容，热键也支持自定义。
文中还给出一项使用规模数据：Codex 加 ChatGPT Work 的周活用户已经超过 1000 万。
多位行业人物同时把焦点放到语音
报道认为，这并不是 OpenAI 单独推动的方向。几乎在同一周，多位行业知名人物都公开把重点放在“语音”这一交互方式上。
Karpathy 在 X 上发帖称，当上下文很多、自己又懒得打字时，他会直接“乱聊一通”，让 AI 去整理。随后，一位 Grok 用户转发该帖，称自己已经习惯使用 Grok 的语音转文字，甚至表示“现在打字都觉得像上刑”，并评价 Anthropic 的语音输入“其实还挺基础的”。
马斯克之后也转发了这条内容，并补充说，用户可以像和人说话一样，借助 Grok Build 把任务交给 Grok 去完成。
与此同时，奥特曼也在推广新一代语音模型 GPT-Live。他表示，自己原本更喜欢打字，不太习惯和 AI 对话，但现在他和 ChatGPT“说的已经比打的多了”。他还特别提到，当用户需要一次性给 AI 倒入大量上下文时，语音会是更合适的方式。
输入瓶颈从键盘转向语音通道
文中给出的核心判断是，随着智能体能力增强，用户需要表达给模型的意图也变得更复杂，键盘输入开始成为瓶颈。输入越简略，模型拿到的信息就越有限；而语音天然能承载更长的上下文，用户可以把前因后果、偏好和顾虑一次性交给模型，即使表达不够规整，模型也有能力再做整理。
报道援引社区中的实测说法称，语音吞吐大约为每分钟 240 个词，而打字通常只有每分钟 70 到 80 个词，前者约为后者的三到四倍。
文中还提到，GPT-Live 负责前台对话流畅衔接，后台则把更重的推理工作交给 GPT-5.5 和 GPT-5.6 处理。这种前后台解耦，被描述为让用户可以更自然地“随便开口”。
从这个角度看，语音的作用并不只是“解放双手”，更像是把它从一个偷懒式输入工具，变成向 AI 输送上下文的高带宽入口。
从听懂指令，到调度一组智能体
按照 OpenAI 官方 FAQ，在 Work 和 Codex 中，用户可以通过语音完成以下操作：
- 启动一个任务；
- 为多个任务安排优先级；
- 在执行过程中打断并修改方向；
- 让后台任务持续运行；
- 在多个对话和项目之间协调多个智能体；
- 在任务完成或卡住时接收语音或屏幕提醒。
报道进一步指出，用户还可以基于项目上下文以及接入的工具，调取文档、日历、联系人和通讯记录，让任务从上次中断处继续推进。
文章将这种能力描述为不再只是“语音输入法”，而更接近一个中枢系统：用户通过语音调度一支智能体团队，不只是让 AI 听懂自己，而是直接让 AI 替自己执行工作。
OpenAI 想把 ChatGPT 放到桌面工作流中心
在作者看来，这个语音功能背后对应的是一条更大的产品路线：OpenAI 希望让 ChatGPT 成为用户的“AI 工作操作系统”。
文章称，OpenAI 近几个月一直在重做桌面版 ChatGPT，把 Chat、Work、Codex 放到同一入口，并支持一键切换和后台常驻运行。Codex 也已经扩展成能并行多个智能体、处理长任务并理解整个项目的通用平台。
之所以把这套能力重点放在桌面端，而不是手机端，文章给出的解释是：手机上的聊天框更适合即时提问，但无法承载复杂任务；若要让 AI 连接文件、代码和软件，从头到尾完成一项工作，它就需要运行在电脑环境里。桌面端拥有文件、集成开发环境、浏览器以及完整的企业办公软件，这些场景更适合智能体执行持续性任务。
文章据此总结，人和 AI 的关系正在发生变化。过去用户更多是在“操作软件”，即打开、输入、等待，再进入下一轮；而在新的工作流里，用户更像是在带一个团队，负责分派任务，AI 负责执行。双方关系也从“你问它答”转向“你说它做”。
文中还提到，一位重度用户把这套体验形容为“基本就是贾维斯”，并称自己让 Codex 帮忙配置了快捷键，可以在三台机器和多块屏幕之间切换操作。
文章最后提出，真正让马斯克、奥特曼和 Karpathy 等人兴奋的，并不只是可以少打字，而是在输入不再成为瓶颈后，人可以把更多精力放回决策本身。当一组可随时调用的 AI 出现在工作台前，新的问题会变成：究竟要把哪些工作交给它们。