- 发布日期
GPT-Live-1 上线 API，支持打断处理、工具调用和电话语音智能体
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
OpenAI于9月11日宣布将实时语音模型GPT-Live-1引入API，开发者可据此打造支持实时语音交互的应用和业务流程。该模型支持全双工对话，能够同时听取和输出语音，并在对话过程中处理打断、停顿及背景噪声。
传统实时语音系统通常采用“语音转文字—大语言模型—文字转语音”的多次衔接流程，延迟较高。GPT-Live-1将语音理解与语音输出整合在同一模型中，减少了中间环节，从而降低延迟。模型还支持将复杂推理和工具调用交由后端文本模型处理。
GPT-Live-1支持电话场景，可用于预订餐厅、客户服务等全双工语音智能体。开发者可以将其与Codex等工具连接，也可以通过OpenAI Presence开发能够查询企业系统、执行获批操作并在必要时转交人工的语音工作。开发者可通过系统提示词调整语气、语速和对话风格，也可配置后端模型、工具及智能体框架。
该模型支持原生语音识别转写和回复文本，并具备字母数字理解、关键词偏置及轮次检测能力。这些功能为语音交互提供了更精细的控制。
早期评估中，语言学习平台Speak使用GPT-Live-1后，学习者思考停顿期间的误打断次数较此前基于轮次的系统减少近80%。医疗服务平台的联合创始人兼首席技术官Tony Stoyanov表示，其团队将代码量减少了80%，删除约2.3万行代码。
OpenAI公布的评测结果显示，GPT-Live-1在Full Duplex Bench测试中的表现比GPT-Realtime-2.1高出30个百分点；在搭配GPT-6 Astra中等推理强度时，Tau3端到端语音智能体任务测试排名第一。
目前GPT-Live-1已在API中提供，前端语音层价格为每分钟0.05美元，按每小时60分钟计算约3美元（约合20.2元人民币），后端模型和智能体工具费用另行计算。OpenAI同时扩大了实时语音选项，新增Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta和Cinder等声音，并计划在未来数月继续增加语音和语言支持。
