2026 年 9 月 23 日前后，OpenAI 给 ChatGPT 移动端的 Work 入口接入了语音智能体： Plus 与 Pro 用户可以用说话的方式，让智能体去整理文档、梳理邮件与 Slack、搭一个简单页面、跑演示，甚至操作云端浏览器和处理财务类任务。底层由 7 月发布的 GPT-Live 模型驱动；免费与 Go 套餐暂时只提供插件形态，不开放完整语音执行。这件事本身不算一次大模型能力的跃迁，但它把「怎么叫醒智能体」这件事往前推了一步——从打字，变成说话。
语音把「打字提问」换成「说话指挥」
过去 ChatGPT Work 的形态，是人在对话框里打字下达任务，智能体在后台调度工具。语音入口是在这之上加了一层自然语言触发器：用户用口语化的指令，比如「把本周的客户反馈整理成周报发到 Slack」，模型理解意图后拆成可执行步骤，再去调用文档、邮件、建站、浏览器等能力。对不在键盘前的场景——通勤路上、走动中——这种触发方式明显降低了使用门槛。门槛降低的另一面，是智能体被调用的频率与场景都会变宽。
这也和 ChatGPT Work 既有的「把工作流搬进对话框」形成层次区分：语音不是替代对话框，而是给对话框加了一个更顺手的入口。对普通用户而言，差异在于「我不必坐到电脑前也能派活」；对产品而言，差异在于智能体的触发面从「人主动打开应用」扩到了「人随时开口」。这类变化看似细微，却是智能体从工具变成随身执行层的必经过程。
和 Anthropic 的路线并不一样
把视野拉到行业里看，同样是给智能体做入口，OpenAI 与 Anthropic 的选择并不相同。OpenAI 这次保持聊天与 workspace 分离：语音只作为 Work 入口的触发器，聊天归聊天，执行归执行层，边界清晰、便于分场景治理。Anthropic 走的是 Cowork-Chat 合并式路线，把对话与协作合为一体，协作对象本身也可以是智能体，更强调「边聊边做」。两种取向没有对错，只是把「智能体该在哪一层接手」这个答案，放在了不同的位置。
对开发者来说，取向不同会直接反映在接入方式上：OpenAI 这套更利于分场景做权限与审计，Anthropic 那套更利于把协作流一体化。短期看是产品体验差异，长期看会影响生态里「智能体应用长什么样」。值得记一笔的是，语音入口的出现，会让跨产品的智能体互操作变得更值钱——当触发方式趋同，比拼的就会回到背后的工具广度与可靠性。
免费与 Go 套餐为什么只给插件
一个耐人寻味的细节是，语音智能体完整能力先向 Plus 与 Pro 开放，免费与 Go 套餐只给插件形态。这背后是两层考量：其一是成本，语音触发带来的工具调用与算力消耗远高于纯文本问答，先锁住付费层级等于先锁住可控的负载；其二是风险，语音发起的是真实动作，一句口误可能让智能体批量发错消息或建错页面，限制范围也等于限制事故面。厂商对「用语音发起真实动作」仍持审慎，本身就是一个信号。
风险同样被放大
语音降低了使用门槛，也把错误指令的传播速度一并放大。打字时人还有机会在发送前检查，说话则更依赖模型对意图的准确理解，一旦理解偏了，智能体可能执行一连串错误操作。这要求产品层必须有更强的意图确认、执行预览与可撤销机制，而不能只把语音当成更方便的输入框。对行业而言，语音入口证明了「自然语言即操作」离日常更近，但也提醒所有人：触发越容易，兜底越要扎实。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。