对着电脑说一句话，建代码线程、提交 Pull Request、查 Bug 根因，三件事它一口气做完。OpenAI 桌面版 ChatGPT 的语音操控上线了，这次语音管的不只是聊天，是干活。
一句话，三件事，全办完
2026 年 8 月 9 日，OpenAI 给桌面版 ChatGPT 加上语音操控，语音从「聊天入口」变成了「干活入口」。
OpenAI 演示视频里是这么一幕：开发者说了一句指令，ChatGPT 接着创建代码线程、提交 Pull Request（请求把自己的代码合并进项目的方式），再找出 Bug 的根本原因——三步连做，一气呵成。
支撑这套能力的是新模型 ChatGPT-Live（为流畅语音对话设计的 AI 模型）。跟手机版的语音不同，桌面版的目标不是回答问题，是执行任务。
它还能操作电脑本身：访问网站、打开应用；在 macOS 上借助 Appshots，甚至能读取屏幕内容，包括给视障用户准备的替代文本。嘴上的指令，落到屏幕上就是真操作。
位置摆一摆就更清楚了：同是说话，手机版的语音主打聊天问答，桌面版这次主打执行。
这是继手机版语音功能之后，OpenAI 把语音往生产力方向又推了一步。
听懂的到底是哪一层
语音助手早就有了，这次的差别在「听懂」的层级不一样。
老语音助手听懂的是「动作+对象」：设个闹钟、查个天气，一步就到头。ChatGPT Voice 要听懂的是「任务」：一句话里压着好几个步骤，它得先拆开，再按顺序执行。演示里那句指令，就是被拆成了建线程、交代码、查 Bug 三个动作。
拆完还得能动手。ChatGPT-Live 除了处理语音，还接了计算机操作能力——访问网站、应用，macOS 上连屏幕内容都读得到。听懂和动手，这次接在了同一个模型上。
读屏这一步看着不起眼，实际很关键：指令可以直接指着屏幕上的东西说话，AI 看得见你正在看的画面；连图片都能通过替代文本「读」出来，不会变成它看不见的盲区。
语音的短板，恰好是这次的突破点
过去语音助手干不了复杂活，大家都当是「听不清」。其实卡住的地方在另一头。
传统语音助手做不了多步任务，多数人以为问题在识别：环境吵、口音重、听不准。可演示里那句指令并不长，也不含糊。真正的坎在执行：听懂「提交一个 Pull Request」，和真的把它提交进项目，中间隔着整套电脑操作能力。设闹钟、查天气，一步就到头，这是老语音助手的天花板；连着干完三步还不出错，才是这次要跨的栏。
识别率从来不是那道坎。真正的难点在听懂之后——有没有手去执行。这次给模型装上了手。
回头看就更明白：语音识别这几年进步不小，可语音助手还是干不了复杂活。如果瓶颈真在耳朵，识别越来越好，活儿早该能干起来了。一直没干起来，恰好说明卡住的另有其处。
所以这次升级的本质，是把「语音理解」和「计算机操作」接到了同一个模型上。用户得到的差别很直接：语音指令能干的活，开始接近真实工作场景，不再停留在查询和设置。
对手已经跟上了，比的是谁做得深
OpenAI 刚把语音操控搬上桌面，Anthropic 的 Claude 语音模式也更新了。这条赛道挤进来了。
Claude 的语音模式能调用 Opus、Sonnet、Haiku 三档模型模型档位（同一家不同能力级别的 AI 模型），在 Gmail、Calendar、Slack、Notion、Canva 里完成任务。但它做多步骤任务的表现，官方还没披露。
接下来几个月值得盯两件事：一是 Anthropic 会不会补上多步骤任务的实测数据，二是两边能接入的应用名单还会不会变长。这两个问题的答案，基本决定这条赛道谁领跑。
桌面是下一站，手机也没落下：iOS 端可以通过远程访问在 Codex 里用 ChatGPT Voice——手机上说一句，电脑上去执行。
「动嘴」变成「动手」，是桌面 AI 的下一个形态，两家都看见了。ChatGPT Voice 眼下的优势在多步骤执行，但优势能不能守住，要看专业场景里的表现——这部分现在谁都没给出答案。
装好桌面版，现在就能喊一句
功能已经上线，有桌面版的读者可以直接试。从一条简单指令开始，看看它到底听懂了多少。
更新到最新版 ChatGPT 桌面应用，登录账号，在设置里开启 ChatGPT Voice。
先说一条两步指令试试，比如「打开日历，加上明天下午三点的会」，看它会不会做之前跟你确认。
再试一条跟工作相关的多步指令，对照演示里的「建线程、交代码、查 Bug」，看它能走到第几步。
macOS 用户可以试 Appshots：让它读屏幕内容，帮你处理当前窗口里的东西。
一个提醒：它会闷头执行，重要操作（提交代码、发消息、删东西）记得盯着确认环节。AI 动手的速度越快，人把关的位置就越重要。
本文基于IT之家原文撰写（2026-08-09）。厂商公布的数字（跑分、降幅等）均为官方口径，除注明外尚未经第三方独立复测。