GPT-Live-1: näin OpenAI:n täysdupleksinen puhe-API toimii

GPT-Live-1 on OpenAI:n kehittäjille suunnattu puhemalli, jonka tarkoitus on tehdä keskustelusta vähemmän vuorottelua ja enemmän oikean puhelun kaltainen tilanne. Se tuli saataville APIssa 10. syyskuuta 2026. Reaaliaikainen puhekerros maksaa 0,05 dollaria minuutilta, mutta käytettävä päättelymalli, työkalut ja muu järjestelmä laskutetaan erikseen. 35

Mitä täysdupleksisuus käytännössä muuttaa?

Moni puheagentti rakentuu ketjusta, jossa puhe muunnetaan ensin tekstiksi (speech-to-text), kielimalli tuottaa vastauksen tekstinä ja tekstistä tehdään lopuksi puhetta (text-to-speech). Malli toimii tällaisena ketjuna hyvin monessa käyttötapauksessa, mutta jokainen vaiheenvaihto tekee taukojen, keskeytysten ja puhujan muuttuvan aikomuksen käsittelystä erillisen teknisen ongelman. 3

GPT-Live-1:n lähtökohta on toinen: se käsittelee tulevaa ja lähtevää ääntä yhdessä puhemallissa. Täysdupleksisena mallina se voi siis kuunnella samalla, kun se tuottaa puhetta. Tämän on tarkoitus auttaa sitä reagoimaan keskeytykseen tai lyhyeen myötäilyyn ilman, että jokainen ääni, hiljaisuus tai sivussa kuuluva puhe tulkitaan uudeksi pakolliseksi puheenvuoroksi. 3

Kyse ei ole vain nopeammasta äänivastauksesta. Olennaista on keskustelun rytmi: malli pyrkii erottamaan, milloin ihminen vielä miettii vastaustaan, milloin hän keskeyttää ja milloin esimerkiksi lyhyt “joo” on vain merkki siitä, että puhujaa kuunnellaan. OpenAI kuvailee GPT-Live-1:tä ensisijaiseksi mallikseen luonnollisiin ja ilmeikkäisiin puhekeskusteluihin sekä sujuvaan keskeytysten käsittelyyn. 23

Puhe hoidetaan edessä, päättely voi tapahtua taustalla

GPT-Live-1:n ei tarvitse ratkaista kaikkea liiketoimintalogiikkaa itse. Se voi ylläpitää reaaliaikaista puhekeskustelua ja siirtää syvempää päättelyä, työkalukutsuja tai toimintoja erikseen valittavalle taustamallille ja agenttirakenteelle. 3

Kehittäjä voi esimerkiksi:

• käyttää tavallisissa tehtävissä nopeampaa ja edullisempaa taustamallia, kuten ajanvarauksen tai tilauksen tilan tarkistamiseen;
• ohjata hankalammat pyynnöt vahvemmalle mallille, kuten GPT-6 Astralle;
• hyödyntää tuettuja kolmannen osapuolen taustamalleja, jos ne sopivat olemassa olevaan järjestelmään paremmin. 3

Kokonaisuus jakautuu siis kahteen osaan: GPT-Live-1 hoitaa elävän puhetilanteen, kun taas taustajärjestelmä tuottaa päättelyn, hakee yritystiedot ja suorittaa toimet. Samalla 0,05 dollarin minuuttihinta ei ole puheagentin koko kustannus: taustamallin päättely, työkalut, puhelinyhteydet ja muut palvelut voivat nostaa kokonaiskulua. 35

API-ominaisuudet ja käyttöönotto

OpenAI:n mukaan kehittäjät voivat ohjata mallin sävyä, puhenopeutta ja keskustelutyyliä järjestelmäkehotteella. GPT-Live-1 tarjoaa myös litteroinnit ja vastaustekstin, tukee aakkosnumeeristen merkkijonojen ymmärtämistä sekä avainsanapainotusta. Lisäksi käytettävissä on vuorontunnistus sovelluksille, jotka tarvitsevat edelleen selkeät puheenvuororajat. 3

Malli on suunnattu myös pitkiin istuntoihin ja puhelinpohjaisiin agentteihin, esimerkiksi asiakaspalveluun ja varausten käsittelyyn. OpenAI:n mukaan se pystyy käsittelemään hiljaisuutta ja taustamelua ilman, että se selostaa jokaista sisäistä vaihettaan ääneen – ominaisuus, josta on hyötyä oikeissa puheluissa ja muissa hallitsemattomissa ääniympäristöissä. 3

Saatavilla oleva aineisto ei vahvista kattavaa tuettujen kielten luetteloa eikä yksityiskohtaisia kehittäjäsäätöjä tietyille aksenteille tai murteille. Ne kannattaa tarkistaa ajantasaisesta API-dokumentaatiosta ennen tuotantokäyttöä.

OpenAI:n raportoimat vertailutulokset

OpenAI kertoo GPT-Live-1:n parantaneen tulosta 30 prosenttiyksikköä GPT-Realtime-2.1:een verrattuna Full Duplex Bench -arvioinnissa. Vertailu mittaa vuorottelua, taukoja, keskeytyksiä, myötäilyjä ja taustapuhetta kaltaisia vuorovaikutteisen puheen ilmiöitä. 3

Kun GPT-Live-1 yhdistettiin GPT-6 Astraan keskitasoisella päättelyasetuksella, se sijoittui OpenAI:n mukaan ensimmäiseksi Tau3-vertailussa. Tau3 mittaa puheagenttien kykyä hoitaa kokonaisia tehtäviä; sen asiakaspalveluosuus sisältää puhuttuja tehtäviä lento-, vähittäiskauppa- ja teleoperaattoritoimialoilta. 3

Toissijaisissa lähteissä esitetään täsmällisiä lukuja vuorotteluviiveestä ja Tau3-pisteistä, mutta toimitetussa ensisijaisessa aineistossa näitä tarkkoja arvoja ei ilmoiteta. Varovaisin johtopäätös on siksi, että OpenAI raportoi selviä parannuksia vuorovaikutteisessa puhekäytöksessä ja Tau3:n kärkisijan GPT-Live-1:n ja Astran yhdistelmälle – ei se, että jokainen tuotantototeutus saavuttaisi tietyn pistemäärän. 37

Miten varhaiset käyttäjät hyödyntävät mallia?

OpenAI nostaa esiin muutamia ensimmäisiä käyttökohteita:

• Yelp käyttää GPT-Live-1:tä Yelp Host -palvelussa ravintoloiden saapuviin puheluihin, kuten pöytävarauksiin ja ruokatilauksiin. Yelp kertoo vuorottelun ja tarkkuuden parantuneen aiempaan perinteiseen puhearkkitehtuuriin verrattuna. Se raportoi myös parempaa puheluiden käsittelyastetta ja kattavampia soittajien vastauksia. 3
• Speak hyödyntää mallia kieltenopetustutorissaan. OpenAI:n mukaan oppijat voivat käyttää enemmän aikaa vastauksensa muotoiluun, ja keskeytysten määrä laski lähes 80 prosenttia verrattuna Speakin aiempaan vuoropohjaiseen järjestelmään. 34
• Nimeämätön terveydenhuoltoalan yritys kertoi, että siirtyminen pois ketjutetusta arkkitehtuurista pienensi koodipohjaa 80 prosenttia ja poisti 23 000 koodiriviä. Yrityksen mukaan tämä tuki luonnollisempia potilaskeskusteluja ajanvarauksesta hoitoon ohjaamiseen. Kyse on yrityksen omasta raportista, ei riippumattomasti auditoidusta tuloksesta. 3

Esimerkit havainnollistavat, missä täysdupleksisuudesta on eniten hyötyä: tilanteissa, joissa soittaja epäröi, korjaa itseään, reagoi kesken lauseen tai keskeyttää agentin ilman halua aloittaa koko keskustelukierrosta alusta.

Hinta ja OpenAI Presence

GPT-Live-1:n reaaliaikainen puhekerros maksaa 0,05 dollaria minuutilta. Kehittäjä voi yhdistää siihen haluamansa taustamallin ja agenttirakenteen, mutta nämä valinnat vaikuttavat kokonaiskustannuksiin, koska ne laskutetaan puhekerroksesta erillään. 35

OpenAI mainitsee myös OpenAI Presencen toisena tapana rakentaa GPT-Live-1:tä hyödyntäviä puhetyönkulkuja reaaliaikaiseen vuorovaikutukseen. Toimitettu aineisto ei kuitenkaan määritä Presencen yritysasiakkaiden kelpoisuusehtoja, kaupallisia ehtoja, hosting-mallia tai käyttöönottoprosessia. Näitä yksityiskohtia ei siis pidä päätellä pelkästä API-julkistuksesta. 3

Arvioinnissa keskeinen kysymys on minuuttihintaa laajempi: kuinka paljon sujuvampi vuorottelu tuottaa arvoa kyseisessä työnkulussa, ja millä taustamallin sekä työkalujen yhdistelmällä vaadittu luotettavuus saavutetaan hyväksyttävällä kokonaiskustannuksella?