科技 · 2026-07-25 · AI 产品 · 阅读 14

ChatGPT 桌面版能用语音指挥 Agent：说一句话不等于只做一件事

作者：周白｜OC 产品与社会编辑

作者

据 TechCrunch 报道，OpenAI 已把新版 ChatGPT Voice 带到桌面应用。用户可以直接说出复杂任务，让 ChatGPT Work 或 Codex 创建任务、调用多个 Agent、访问网站和应用，并在需要决定时继续用语音追问。

一句话结论：语音在这里不再只是输入法，而是一个多步骤自动化入口；它降低了发起任务的门槛，也放大了权限范围不清时的误操作风险。

这项能力由 GPT-Live 驱动，可以同时听、说并协调后台工作。OpenAI 的演示中，开发者只用一条语音指令，就让系统创建新任务、制作 Pull Request 并查找一个 Bug 的根因。

桌面版与手机语音的关键区别是“能行动”。早期手机语音重点改善自然对话和打断处理，不直接操作手机；桌面版则可以连接计算机使用能力、网页和应用。在 macOS 上，用户授权 Appshots 后，系统还能读取屏幕内容及可访问性描述。

一句语音命令拆分成多个Agent任务

这并不意味着语音绕过了 Agent 原有的确认和权限机制。它只是把文字提示换成更自然的入口。文件修改、命令执行、外部发送和敏感应用访问仍应由各工具的授权层控制。用户说“把这些都处理好”时，系统尤其需要先展示它理解的范围。

企业和教育组织还要经过管理员开关。在发布初期，Enterprise 与 Edu 工作区需要同时启用高级语音和早期模型访问。OpenAI 也表示，用户可以通过远程访问，在 iOS 端用语音指挥 Codex 工作。

周白认为，语音 Agent 的真正价值不是少敲几行字，而是让人可以在开会、走动或查看屏幕时并行委派工作。产品成败取决于它能否在“理解一句自然语言”与“执行一串不可逆操作”之间，提供清晰的任务拆解和确认。

关键事实

来源：OpenAI、TechCrunch
核心产品：ChatGPT Voice、ChatGPT Work、Codex、GPT-Live
主要能力：语音发起多步骤任务、协调 Agent、访问网页和应用
权限边界：屏幕和工具访问仍需用户或组织授权

OC 判断

语音正在从聊天界面变成 Agent 调度界面。便利性会提高使用频率，但高风险操作必须继续依赖可见计划、分级授权和执行确认，不能把自然表达误当成精确权限。

为什么重要

对开发者：语音指令需要先结构化为可检查的任务计划，再交给工具执行。
对企业：管理员应分别控制语音、屏幕读取和外部工具权限。
对用户：一句话可以触发多个后台步骤，确认时应关注完整行动范围。

参考来源

发表评论

继续看看 OC 用户围绕这个话题说了什么、做了什么。

相关帖子

一个体会，Codex 这种现代 Agent，每天一个变，几天不用就有新惊喜

<p>当然我说的也包括 Claude Code，新功能日新月异，还有就是 AI 能力提升以后，可以做的东西日新月异。还有各种工作流方法日新月异。</p> <p>更好玩的是，我最近经历过很多次，你跟人介绍现在 Codex 可以做到什么样子，他们都觉得很厉害。但是你现场一演示，他们的震撼就更加完全不同了。所以，这种东西，需要大量的 Workshop 去沟通交流，光看文字很难讲清楚，直播、视频也越来越重要了。</p>

tinyfool 1 89

你更喜欢 Codex 还是 Cladue Code？

<p>我先说，我更喜欢 Codex，因为我没用过 Cladue Code。Codex 一直都能很好满足我的需求，所以我不是很有动力去换 Cladue Code。虽然我也知道很多人更喜欢 Cladue Code。但是我觉得应该差不多吧？</p>

tinyfool 5 111

你们的Codex额度提前耗完了没？戒断反应如何？

<p>我在第三天就消耗了只剩1%，忍了一天，然后今天干脆用这最后的1%，开着5.6 Sol 极高强推我一个提示词笔记本应用的功能落地。最终用时3小时，居然还是跑完了。但是现在还是出现一些戒断反应，感觉啥也做不了，就无精打采的，困。</p> <p>我做了一个Prompt Notebook，专门用来收藏或者记录自己手搓的生图提示词。带Chrome一键收藏插件。支持AI优化提示词。支持提示词中提取常用字段作为提示词百科词汇。也自带生图功能用来测提示词。但是要搭配Cloudflare R2+Worker的图床。</p> <p>今天主要是做一个AI模特的资产库。将常用的AI模特固定下来，进行身份设定，以及模特的一些角色定妆图。之后生图可以直接调用AI模特自动作为垫图。</p> <p>这是AI模特资产库的界面： <img src="/upload/thread/202608/42b5f73e-938f-45de-b74e-da69da9d72a8.webp" alt="1bb0d28b-c7dd-4327-bafa-26b60323cbed" /> 这是主界面的提示词瀑布流，支持关键词或标签搜索： <img src="/upload/thread/202608/3e15b6e7-345f-48b4-aeff-1bbd89afe9d3.webp" alt="ab998e2f-9ccc-4173-832f-223aa6c6fa81" /> 这是提示词笔记的预览界面，可以复制提示词，分享提示词，点击分享还有分享短链：（https://prompt.jintao.co.uk/share/20260806LfsmY） <img src="/upload/thread/202608/bab31972-0468-4582-b873-6309233254a6.webp" alt="20260806-201213" /> 可惜现在没额度了，我又不想换模型折腾。现在还有些界面细节和小功能需要落地完善，可能还要虫子要抓。弄好了，打算放GitHub开源。</p> <p>有朋友想试试的么？</p>

shynloc 2 4

做 AI 语音产品时，授权、撤回和审计日志应该怎么落地？

<p>最近看到越来越多关于声音授权的讨论。对开发者来说，真正麻烦的往往不是“模型能不能模仿”，而是授权如何进入系统、生成结果如何追溯，以及授权撤回后该怎么办。</p> <p>我们在做 FlowSpeech 时也碰到过类似问题。我的体会是，不要把“用户勾选过同意”当成一个布尔字段，而应该把它做成一组可以审计的业务对象。</p> <h2>1. 把声音资产和授权分开</h2> <p>声音文件只描述技术属性，例如哈希、上传者、存储位置和创建时间。授权记录则至少要包含授权主体、用途范围、地域、有效期、来源证据和当前状态。这样同一份声音用于个人试听、商业广告、公开播客时，可以绑定不同的授权，而不是共用一个模糊的 consent=true。</p> <h2>2. 每次生成都保存授权快照</h2> <p>生成任务不要只引用当前授权 ID。授权内容以后可能变更，如果任务只查最新状态，历史结果就无法解释。更稳妥的做法是在任务创建时保存授权版本、文本哈希、声音版本、模型版本和操作者。生成出的音频再记录 artifact_id，并反向关联任务。</p> <p>我会把最小链路设计成：</p> <ol> <li>voice_asset：原始声音及版本；</li> <li>consent_grant：授权范围与证据；</li> <li>generation_job：请求参数和授权快照；</li> <li>audio_artifact：输出文件、校验值和公开状态；</li> <li>audit_event：谁在什么时候创建、下载、公开或撤回了内容。</li> </ol> <h2>3. 撤回不是简单删除一行</h2> <p>授权撤回后，系统至少要阻止新任务，并把相关公开音频进入下架队列。已经交付给客户的文件是否能删除，要按照合同和产品能力区分，不能在界面上承诺技术上做不到的“全球删除”。更现实的状态机是 active、suspended、revoked、expired，并明确每个状态允许哪些动作。</p> <h2>4. 对外展示也要可验证</h2> <p>除了后台日志，公开音频最好带上来源标记或可查询的生成记录。水印不是万能方案，但“可识别的音频 + 可验证的元数据 + 清晰的举报入口”组合起来，比一句“AI 生成”更有用。</p> <p>我们现在做的 <a href="https://flowspeech.io/zh">FlowSpeech</a> 主要解决上下文感知、情绪和停顿控制。越往产品化走，越觉得声音效果只是前半程，权限边界和可追溯性才决定这类工具能不能长期使用。</p> <p>大家在实际项目里会把授权证据放在业务数据库、对象存储，还是单独的审计系统？如果授权撤回，你们通常怎么处理已经生成并交付的音频？</p>

FlowSpeech 0 1

ChatGPT 桌面版能用语音指挥 Agent：说一句话不等于只做一件事