GPT-Live-1 i API'et: AI-stemmeagenter kan lytte og tale samtidig

OpenAI annoncerede den generelle tilgængelighed af GPT-Live-1 i API'et den 10. september 2026 – altså ikke den 11. september. Lanceringen giver udviklere et stemmelag til agenter, som kan lytte og tale på samme tid, frem for at behandle samtalen som en række stramt afsluttede ture. 116

Hvad fuld dupleks ændrer

Mange stemmeagenter er bygget som en kæde: Tale konverteres først til tekst, en sprogmodel formulerer et svar, og tekst-til-tale læser derefter svaret op. GPT-Live-1 positioneres som et samlet stemmelag til den del af interaktionen, der skal fungere i realtid. 1

Den praktiske forskel handler om turtagning i samtalen. Ifølge OpenAI kan GPT-Live-1 lytte og tale samtidig, følge pauser og ændringer i tempo og vurdere, om den skal svare eller fortsætte med at lytte. Målet er, at afbrydelser og små bekræftende lyde eller ord – såkaldte backchannels – i højere grad opleves som en naturlig samtale frem for fejl. 1915

Det betyder ikke, at stemmemodellen selv skal løse alle opgaver. En GPT-Live-1-samtale kan fortsætte, mens en backend-model eller agent udfører mere krævende ræsonnering eller anvender værktøjer. OpenAI understøtter Responses delegation til en OpenAI-model og client delegation til udviklerens egen backend, så virksomheder selv kan vælge systemet bag stemmeoplevelsen. 116

Sådan er løsningen opdelt

GPT-Live-1 fungerer som det samtalende stemmelag ud mod brugeren. Backend-systemet kan tage sig af eksempelvis mere komplekse beslutninger, informationssøgning, arbejdsgange eller værktøjskald. I OpenAI's produktnoter nævnes GPT-6 Astra som en mulighed til vanskeligere søge- og ræsonneringsopgaver; API-udviklere kan også koble deres egen backend på via client delegation. 416

For udviklere giver opdelingen en tydelig arbejdsdeling:

• GPT-Live-1 styrer den direkte samtale: lytning, tale og timing.
• En backend-model eller agent kan håndtere svære beslutninger og værktøjer.
• Den samlede pris og agentens adfærd afhænger af begge lag – ikke kun af stemmemodellen. 1618

OpenAI fremhævede desuden bedre instruktionsfølgning, tilpassede stemmer og understøttelse af telefoni i forbindelse med API-lanceringen. 13

Pris: 0,05 dollar pr. minut for stemmen – plus backend-forbrug

GPT-Live-1-stemmesessioner koster 0,05 dollar pr. minut. Afregningen sker pr. sekund, uden oprunding til nærmeste hele minut. 1618

Prisen dækker stemmesessionen, men ikke nødvendigvis den fulde pris på en stemmeagent. Brug af backend-modeller og værktøjer faktureres særskilt. Et produktionsbudget skal derfor både tage højde for samtalens varighed og for det arbejde, der delegeres til systemerne bagved. 1618

Benchmarkpåstande – og hvad materialet faktisk dokumenterer

OpenAI oplyste, at GPT-Live-1 forbedrede resultatet med 30 procentpoint på virksomhedens Full Duplex Bench sammenlignet med GPT-Realtime-2.1. OpenAI oplyste også, at GPT-Live-1 sammen med GPT-6 Astra ved mellemstort ræsonneringsniveau blev nummer ét på Tau3. 1

Det udleverede kildemateriale dokumenterer dog ikke uafhængigt de konkrete tal fra det oprindelige spørgsmål om latenstid i turtagning eller den nøjagtige sammenligning af passrater på Tau3. De præcise tal bør derfor ikke betragtes som bekræftede her.

Hvad tidlige brugere fortæller

OpenAI fremhævede flere tidlige produktionsimplementeringer som eksempler på værdien af mere naturlig turtagning:

• Yelp rapporterede bedre turtagning og præcision efter integrationen af GPT-Live-1 i Yelp Host og Hatch. Ved opkald om bordreservationer og madbestillinger sagde virksomheden, at kunderne brugte længere og mere naturlige ytringer, og at håndteringen af opkald blev forbedret. 1
• Speak rapporterede, at sprogkursister kunne bruge længere tid på at tænke, før en digital lærer svarede. Ifølge virksomheden reducerede det afbrydelser med næsten 80 % sammenlignet med deres tidligere turbaserede systemer. 1
• En sundhedsvirksomhed oplyste, at skiftet væk fra en kaskadebaseret løsning gjorde kodebasen 80 % enklere og fjernede 23.000 linjer kode, samtidig med at samtaler med patienter kunne foregå mere naturligt i realtid. 1

Det er resultater, virksomhederne selv har indberettet, ikke uafhængige evalueringer. De bør derfor læses som konkrete implementeringseksempler – ikke som generelle garantier for ydelse.

Hvad der fortsat ikke er bekræftet

Det tilgængelige materiale underbygger ikke påstande om virksomhedsadgang via et administreret produkt ved navn "Presence". Det dokumenterer heller ikke en specifik udvidelse af accenter, dialekter eller sprog i forbindelse med denne API-lancering. Sådanne forhold bør verificeres i OpenAI's aktuelle dokumentation, før de bruges som grundlag for indkøb eller implementering.

Kort fortalt

Den væsentligste nyhed i GPT-Live-1 er arkitekturen: API'et får et fuld-dupleks-stemmelag, så en agent kan fortsætte med at lytte og tale mere naturligt, mens et separat system udfører langsommere ræsonnering eller kalder værktøjer. Prisen på 0,05 dollar pr. minut for stemmelaget – afregnet pr. sekund – gør udgiften til taletid enkel at beregne. Den samlede pris afhænger dog fortsat af valget af backend-model og værktøjer. 11618