OpenAI现已在API中上线 GPT-Live-1，把最早落地在ChatGPT里的自然语音模型开放给开发者，用于搭建语音应用与业务工作流。该模型支持同时收听与发声，实时处理用户打断、确认语句；还能搭配GPT-6 Astra、Codex、ChatGPT Work等模型与工具完成深度推理和操作，并且全程保持对话不中断。
- 官方介绍：https://openai.com/index/introducing-gpt-live-1-in-the-api
传统语音代理方案，是把语音识别ASR、大模型推理、语音合成TTS串联起来运行。这套级联架构会带来延迟，模块之间的交接环节很容易丢失对话时机、上下文以及自然的交谈节奏。而GPT-Live-1一体化处理输入与输出音频，从底层规避了这类问题。
开发者可以通过系统提示词控制语音的语调、语速与表达风格，自主选择后端推理模型和代理框架。同时还能使用ASR转录、响应文本输出、关键词偏置、字母数字识别、原生轮次检测等配套能力。模型面向电话场景做了适配，适合预订业务、订单通知、客服咨询；本身可以抵抗背景噪音，识别静默状态，不会无故抢话，也不会机械复述每一步内部动作。
实测效果与早期客户反馈
全双工交互带来对话模式的明显改变。语音学习产品Speak的数据显示，相比传统轮次对话系统，打断误触发减少近80%，给语言学习者留出充足思考时间。
OpenAI官方基准测试Full Duplex Bench上，GPT-Live-1比GPT-Realtime-2.1高出30个百分点；搭配GPT-6 Astra使用中等推理强度时，在Tau3评测集取得第一名。
早期落地客户包含Yelp Host、Speak、Intercom Fin以及Cognition Devin。有客户反馈，从传统级联语音系统迁移到GPT-Live-1后，语音相关代码量直接削减80%，用于实时患者对话场景的代码减少了23000行。
定价、语音能力与产品定位
GPT-Live-1相当于独立的前端语音层，可以架在开发者自选、单独计费的推理栈之上。API定价为每分钟0.05美元，后端大模型、代理框架的费用另行计算。
上线初始内置12种音色，覆盖不同口音、方言与语种；如果需要自定义语音，需要联系OpenAI销售申请。后续还会持续新增更多语音与语言支持。OpenAI同时引导企业客户搭配Presence搭建实时业务工作流，让AI调用企业内部系统、执行授权操作，遇到复杂场景自动转接人工。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
