OpenAI 近日宣佈，將目前用於 ChatGPT 語音功能的 GPT-Live-1 正式開放給開發者使用。開發者現在可以通過 API 把這一語音模型集成到自己的應用和業務流程中，構建能夠實時聽取用戶講話、同時進行迴應的全雙工語音助手。該模型的語音前端價格爲每分鐘 0.05 美元，後臺用於複雜推理的模型則需按相應模型價格另行計費。

image.png

邊聽邊說，打斷與停頓都能自然處理

GPT-Live-1 是 OpenAI 今年推出的新一代實時語音模型，最大特點是採用全雙工架構。傳統語音 AI 通常依次完成語音識別、語言模型推理和語音合成三個步驟，用戶說完話系統才能處理並生成回答；而 GPT-Live-1 能在聽取用戶講話的同時生成語音輸出，因此可更自然地處理打斷、停頓、附和以及快速的來回對話，還能判斷何時該繼續說話、暫停、傾聽或調用工具。

OpenAI 表示，這種架構明顯降低了語音交互延遲，解決了傳統流水線容易出現的銜接問題，開發者無需再自行協調多個獨立模型之間的複雜切換。測試中，GPT-Live-1 在 Full Duplex Bench 上比 GPT-Realtime-2.1 高出 30 個百分點，尤其在輪流發言延遲與交互行爲方面提升明顯；與 GPT-6 Astra 以中等推理強度配合時，在評估端到端語音智能體任務的 Tau3 測試中也取得第一名。

複雜推理交給後臺模型，成本可按需組合

GPT-Live-1 並不負責所有複雜推理。OpenAI 將負責實時聽說交互的語音模型與負責深度推理的後臺模型分離：當用戶提出需要搜索、複雜分析或較長任務的問題時，GPT-Live-1 會把工作交給後臺模型，同時繼續維持自然語音交流。開發者因此可按業務選擇後臺模型——簡單任務用更快更便宜的模型，複雜問題交給更強的推理模型。

應用方面，GPT-Live-1 原生支持電話場景，可用於餐廳預約、客戶支持等全雙工語音智能體。早期案例中，語言學習平臺 Speak 發現，相比此前基於輪次的系統，GPT-Live-1 使系統主動打斷學習者的情況減少接近 80%。模型還提供原生語音識別轉寫與響應文本，支持關鍵詞偏置、輪次檢測，並針對嘈雜環境做了優化；OpenAI 同時擴大了可用聲音，覆蓋更豐富的口音、方言和語言。開發者還可將 GPT-Live-1 與 Codex 等工具結合，由語音模型接收任務、後臺工具處理，再回到語音對話。