GPT-Live-1: jak funguje full-duplex hlasové API OpenAI

GPT-Live-1 je vývojářský hlasový model OpenAI určený pro konverzace, které mají působit méně jako střídání předem oddělených tahů a více jako běžný rozhovor. V API je dostupný od 10. září 2026 a front-endová hlasová vrstva stojí 0,05 USD za minutu. Zvlášť se však platí model pro uvažování, nástroje a další infrastruktura připojená na pozadí. 35

Co mění full duplex

Řada hlasových agentů funguje jako řetězec tří kroků: převod řeči na text (speech-to-text), vytvoření textové odpovědi jazykovým modelem a její převod zpět na řeč (text-to-speech). Tento postup může fungovat dobře, ale každé předání mezi vrstvami vyžaduje řešit načasování, pauzy, změny záměru i vstupy uživatele do právě probíhající odpovědi. 3

GPT-Live-1 je naopak popisován jako jeden hlasový model, který pracuje s příchozím i odchozím zvukem. Díky full-duplexovému návrhu může při generování řeči zároveň poslouchat. Má tak reagovat na přerušení či krátké potvrzení, aniž by každý zvuk, okamžik ticha nebo rozhovor v okolí automaticky vyhodnotil jako nový požadavek. 3

Nejde tedy jen o rychlejší tvorbu zvuku. Podstatná je schopnost řídit samotný průběh hovoru: rozpoznat, že člověk ještě přemýšlí, že mu chce skočit do řeči, nebo že krátké „ano“ je jen přitakání, nikoli žádost o novou odpověď. OpenAI model označuje za svou prémiovou volbu pro přirozené a expresivní hlasové konverzace s plynulým zvládáním přerušení. 23

Hlasová vrstva a oddělené uvažování

GPT-Live-1 nemusí sám řešit veškerou firemní logiku. Může vést konverzaci v reálném čase, zatímco složitější uvažování, volání nástrojů nebo provedení akce předá samostatně zvolenému backendovému modelu a agentnímu frameworku. 3

Vývojáři tak mohou například:

• pro běžné úkoly, jako je rezervace termínu nebo zjištění stavu objednávky, nasadit rychlejší a levnější backend;
• složitější požadavky předat výkonnějšímu modelu, například GPT-6 Astra;
• připojit podporované backendové modely třetích stran, pokud to lépe zapadá do jejich stávajícího řešení. 3

Výsledkem je dvoudílná architektura: GPT-Live-1 zajišťuje živou hlasovou interakci, backend dodává uvažování, firemní data a akce. Inzerovaná cena za hlas proto není úplnou cenou agenta — konečnou částku mohou navýšit inference backendu, nástroje, telefonní služby a související provoz. 35

Funkce API a možnosti nasazení

OpenAI uvádí, že vývojáři mohou systémovou instrukcí určovat tón, tempo i konverzační styl modelu. GPT-Live-1 poskytuje také přepisy a text odpovědí, podporuje práci s alfanumerickými údaji a zvýhodňování klíčových slov. K dispozici je i detekce tahů pro produkty, které nadále potřebují jasně vymezené hranice mezi promluvami. 3

Model je určen i pro delší relace a telefonní agenty — například zákaznickou podporu či rezervační systémy. OpenAI uvádí, že dokáže pracovat s tichem a hlukem na pozadí, aniž by komentoval každý svůj mezikrok; to je důležité zejména v reálných telefonních hovorech a méně kontrolovaném prostředí. 3

Dostupné podklady neuvádějí definitivní seznam podporovaných jazyků ani podrobná vývojářská nastavení pro konkrétní akcenty a dialekty. Před produkčním nasazením je proto vhodné tyto parametry ověřit v aktuální dokumentaci API.

Jaké výsledky OpenAI uvádí

Podle OpenAI dosáhl GPT-Live-1 v hodnocení Full Duplex Bench zlepšení o 30 procentních bodů proti GPT-Realtime-2.1. Test se zaměřuje na interaktivní hlasové chování: střídání v hovoru, pauzy, přerušení, krátká přitakání a řeč na pozadí. 3

V kombinaci s GPT-6 Astra při střední úrovni úsilí pro uvažování se GPT-Live-1 podle OpenAI umístil na prvním místě v Tau3, benchmarku pro hlasové agenty řešící úlohy od začátku do konce. Jeho zákaznická část zahrnuje mluvené úkoly z letecké dopravy, maloobchodu a telekomunikací. 3

Některé sekundární zdroje uvádějí přesné hodnoty latence střídání v hovoru a skóre Tau3. Primární materiál dodaný k tomuto tématu však tyto konkrétní hodnoty neobsahuje. Přesnější závěr proto zní, že OpenAI hlásí výrazné zlepšení interaktivního chování a první místo konfigurace GPT-Live-1 s Astrou v Tau3 — nikoli že každé nasazení dosáhne shodného benchmarkového výsledku. 37

Příklady prvních nasazení

OpenAI upozorňuje na několik časných implementací hlasových agentů:

• Yelp využívá GPT-Live-1 v produktu Yelp Host pro příchozí telefonáty do restaurací, včetně rezervací a objednávek jídla. Yelp uvádí lepší střídání v hovoru a přesnost oproti předchozí konvenční hlasové architektuře, vyšší míru vyřízení hovorů a úplnější odpovědi volajících. 3
• Speak model používá ve svém jazykovém tutorovi. Podle OpenAI mohou studenti déle formulovat odpověď a počet přerušení klesl téměř o 80 % proti dřívějšímu systému založenému na pevném střídání tahů. 34
• Nejmenovaná zdravotnická firma uvedla, že přechod od kaskádové architektury zmenšil její kódovou základnu o 80 % a odstranil 23 000 řádků kódu. To mělo podpořit přirozenější rozhovory s pacienty v reálném čase — od objednání po navigaci péčí. Jde o tvrzení firmy, nikoli o nezávisle auditovaný výsledek. 3

Právě v těchto situacích je full duplex nejpřínosnější: volající může váhat, opravit se, uprostřed věty přitakat nebo agenta přerušit, aniž by tím chtěl celý dialog spustit znovu.

Cena a program OpenAI Presence

Cena GPT-Live-1 činí 0,05 USD za minutu za front-endovou hlasovou vrstvu. Vývojáři ji mohou spojit s vlastním backendovým modelem a agentním řešením, ale volba těchto součástí ovlivní celkové provozní náklady, protože se účtují odděleně od hlasové vrstvy. 35

OpenAI zmiňuje také OpenAI Presence jako další způsob vytváření hlasových workflow s GPT-Live-1 pro interakci v reálném čase. Dodané materiály ale nevysvětlují podmínky pro podnikové zákazníky, obchodní model, způsob hostování ani proces získání přístupu. Tyto detaily proto nelze z oznámení API samy o sobě vyvozovat. 3

Pro týmy, které model zvažují, je hlavní otázka širší než samotných 0,05 USD za minutu: jakou hodnotu pro konkrétní službu přinese plynulejší střídání v hovoru a jaký backendový model spolu s nástroji nabídne potřebnou spolehlivost při přijatelných celkových nákladech?