OpenAI 近日宣布，将目前用于 ChatGPT 语音功能的 GPT-Live-1 正式开放给开发者使用。开发者现在可以通过 API 把这一语音模型集成到自己的应用和业务流程中，构建能够实时听取用户讲话、同时进行回应的全双工语音助手。该模型的语音前端价格为每分钟 0.05 美元，后台用于复杂推理的模型则需按相应模型价格另行计费。
边听边说，打断与停顿都能自然处理
GPT-Live-1 是 OpenAI 今年推出的新一代实时语音模型，最大特点是采用全双工架构。传统语音 AI 通常依次完成语音识别、语言模型推理和语音合成三个步骤，用户说完话系统才能处理并生成回答；而 GPT-Live-1 能在听取用户讲话的同时生成语音输出，因此可更自然地处理打断、停顿、附和以及快速的来回对话，还能判断何时该继续说话、暂停、倾听或调用工具。
OpenAI 表示，这种架构明显降低了语音交互延迟，解决了传统流水线容易出现的衔接问题，开发者无需再自行协调多个独立模型之间的复杂切换。测试中，GPT-Live-1 在 Full Duplex Bench 上比 GPT-Realtime-2.1 高出 30 个百分点，尤其在轮流发言延迟与交互行为方面提升明显；与 GPT-6 Astra 以中等推理强度配合时，在评估端到端语音智能体任务的 Tau3 测试中也取得第一名。
复杂推理交给后台模型，成本可按需组合
GPT-Live-1 并不负责所有复杂推理。OpenAI 将负责实时听说交互的语音模型与负责深度推理的后台模型分离：当用户提出需要搜索、复杂分析或较长任务的问题时，GPT-Live-1 会把工作交给后台模型，同时继续维持自然语音交流。开发者因此可按业务选择后台模型——简单任务用更快更便宜的模型，复杂问题交给更强的推理模型。
应用方面，GPT-Live-1 原生支持电话场景，可用于餐厅预约、客户支持等全双工语音智能体。早期案例中，语言学习平台 Speak 发现，相比此前基于轮次的系统，GPT-Live-1 使系统主动打断学习者的情况减少接近 80%。模型还提供原生语音识别转写与响应文本，支持关键词偏置、轮次检测，并针对嘈杂环境做了优化；OpenAI 同时扩大了可用声音，覆盖更丰富的口音、方言和语言。开发者还可将 GPT-Live-1 与 Codex 等工具结合，由语音模型接收任务、后台工具处理，再回到语音对话。