電話裡像真人、照稿卻不行：一家語音代理新創對 GPT-Live-1 的殘酷實測

2026 年 9 月 10 日，OpenAI 將 GPT-Live-1 開放給所有開發者，宣傳詞相當誘人：單一全雙工語音模型，在一條連續音訊流上同時聆聽與說話、原生處理打斷，語音層每分鐘只要 5 美分。對所有在做電話機器人的公司來說，這彷彿就是一直缺的那塊拼圖——從此不必再把語音辨識、推理、語音合成三段式管線硬拼在一起。

兩天後，第一份認真的實測報告出爐了，而它是一份兩面刃的成績單。

ThunderPhone 是一家在生產環境營運 47 種語言 AI 電話代理的新創。多數廠商發文吹捧之前不會做的事，他們做了：把模型接上一支真實電話號碼，然後反覆打給它。由共同創辦人 Alex Kolchinski 領軍的團隊，拿了一位保險客戶約 13,000 token 的「暖名單資格確認」腳本來壓力測試——這種腳本有強制逐字唸出的台詞、嚴格的覆誦規則和分支追問，一個答錯就可能變成法遵問題。他們在一個漫長的工作天裡跑了 12 通真實電話、約 25 次模擬訪談，加上一批非結構化測試，並公開了逐字稿與音檔。

好的一面：電話線上最自然的對話者

就純對話機制而言，結論毫無懸念。ThunderPhone 稱 GPT-Live-1 是「我們放上過電話線的、聽起來最自然的對話者」，是真正的一大步。來電者停止說話後，約 1.3 秒（中位數）就聽到它的第一句回應；若不算電話線本身的延遲，約 0.7 秒。團隊完全沒有另外接語音活動偵測（VAD）或輪替判斷邏輯；模型優雅地處理打斷、自然地發出附和聲（「嗯哼」），語速輕快而像真人。

逐字稿說明了這為什麼重要。當來電者更正日期——「呃，不對，是九，二十，呃，七十」——代理立刻順勢確認：「所以是 1970 年 9 月 20 日，對嗎？」然後繼續往下問。當對方在通話中途改答案（「不了，我現在有自己的房子了」），它從容吸收更正，下一題自動改成問獨棟、公寓還是組合屋。據稱在更正、打斷、中途改口的各種情境下，它從未失態。

Kolchinski 寫道：「如果自然度就是全部的工作，這篇文章到這裡就結束了。不幸的是，事情不只如此。」

壞的一面：指令被照字面執行，而不是照常識執行

核心發現是：GPT-Live-1「在照稿通話的關鍵行為上，無法可靠地遵循指令」。最令人不安的失敗模式是答案反轉——不只一次，模型把來電者明確的「是」當成「不是」來回應，要嘛重問一次，要嘛直接當對方拒絕而往下走。在保險資格確認流程裡，「是／否」決定承保範圍與告知事項，這不是無傷大雅的小毛病。

最一致的毛病是過度字面化。腳本寫著：如果來電者說檔案上的居住狀態有誤，就問他們是自有、租屋還是與父母同住。一位來電者回答「不對，我現在是自己的」——這其實已經回答了這個問題。模型照樣把整個選項菜單唸出來：「那麼，您的房子是自有、租屋、與父母同住，還是其他居住狀況？」ThunderPhone 指出，這種字面主義在他們試過的每一版 prompt 中都存在；任何沒有在指令裡明確列出的答案，都被機械式處理，而不是合理地處理。

模型在壓力下還會「想出聲」——某段逐字稿錄到它喃喃自語：「嗯。這題要小心處理。我會確認一下然後繼續。」潛在推理就這樣洩漏進了音訊通道。

數字才是真正的地雷

對受監管的電話流程來說，最致命的發現關乎英數字串。保單號碼、地址、出生日期、證件號碼必須一字不差地覆誦——而這正是 GPT-Live-1 語音表現問題最多的地方。在一段未經修飾的音檔中，模型被要求唸出「8KD2-QX7B-M4V9」，實際唸出的卻是「8KD2-QXY7B-M4V9」——即使它自己的逐字稿是對的，音檔裡仍憑空多插了一個字母。俄語版更糟：「Q」在音檔和逐字稿裡都變成了「X」。

日期也中招。來電者用數字報出生日期——「五五九五」——模型稍後把生日讀回成「五十五，九十五」這串數字，來電者一頭霧水地回：「我不知道你在說什麼五十五九十五，那不是生日。」它偶爾還會把來電者的台詞搶來講，在對方回答「我有」時自己脫口說出「我有」。

口音與 API 但書

在 ThunderPhone 的 47 語矩陣測試中，GPT-Live-1 的俄語流利但帶著濃厚美國口音——對非英語部署是相當大的但書，因為正式環境的 TTS 語音通常聽起來像母語者。第一次盧干達語（Luganda）測試時，它甚至用斯瓦希里語（Swahili）回答。

API 的但書跟模型行為一樣重要：工作階段開始後指令即不可變更，且上限 16,384 token；輸出音訊流永不停止（連靜音都在串流），所以「音訊停了」不能當作回合結束的訊號；模型只能透過新的 v1/live/sessions 端點呼叫——他們測試時 Azure 上還沒有。

為什麼這件事不只是一家新創的事

要 把一份廠商的批判性實測斥為競品的行銷手法很容易——ThunderPhone 自己也賣 Storm 模型，並宣稱它在指令遵循上更強。但這些細節都附有可查證的逐字稿，而這份報告真正指出的，是目前語音代理技術棧的結構性真相：這個產業已經大致解決了「自然」，卻離解決「可靠」還很遠。

OpenAI 的發布文案把「更強的指令遵循」列為招牌特性，這使得實驗室語言與正式環境行為之間的落差，反而成了真正的新聞。一個永遠不失態、卻會悄悄把「是」翻成「否」、或覆誦出一個從未存在過的保單號碼的模型，距離能上受監管通話流程，還差的不只是微幅改進——它需要的是另一種評測體系：建立在冗長、對抗性、強制照稿的通話之上，而不是輕鬆聊天 demo 之上。

這個模式在 2026 年一整年的模型發布中反覆出現：實驗室跑分一路狂飆，實務場測卻不斷撞上同一堵牆。GPT-6 Astra 發布當週，OpenAI 因需求壓垮算力而暫停 Pro 新訂閱；GPT-Live-1 發布當週，我們看到的是「最後一哩」——在 13,000 token 腳本下分毫不差的可靠行為——依然無解。語音是這個落差距離最無情的前線，因為沒有 UI 可以攔截錯誤、沒有撤回按鈕，而且線路另一端往往還有一個主管機關在聽。

ThunderPhone 承諾很快會有更完整的報告。在那之前，任何想在 GPT-Live-1 上開發的人，結論很直接：把它用在它卓越的地方——聽起來像人、從打斷中恢復、節奏自然——然後把逐字覆誦、英數字串和是／否閘門，留在你自己掌控的程式碼裡，或留在你已經用自家最刁鑽來電者測過的模型裡。