GPT-Live-1 क्या है? OpenAI के नए फुल-डुप्लेक्स वॉइस API को समझें

OpenAI का GPT-Live-1 डेवलपर्स के लिए बनाया गया वॉइस मॉडल है, जिसका उद्देश्य बातचीत को रिकॉर्ड किए गए सवाल-जवाबों की कतार जैसा नहीं, बल्कि आमने-सामने की लाइव बातचीत जैसा बनाना है। यह 10 सितंबर 2026 से API में उपलब्ध है और इसकी फ्रंट-एंड वॉइस लेयर की कीमत $0.05 प्रति मिनट है। हालांकि, इसके पीछे जो रीजनिंग मॉडल, टूल्स या अन्य सेवाएं जोड़ी जाएंगी, उनका शुल्क अलग होगा। 35

फुल-डुप्लेक्स का मतलब क्या बदलता है?

पारंपरिक वॉइस एजेंट आम तौर पर तीन चरणों में काम करते हैं: पहले स्पीच-टू-टेक्स्ट आवाज़ को लिखित टेक्स्ट में बदलता है, फिर भाषा मॉडल जवाब तैयार करता है, और अंत में टेक्स्ट-टू-स्पीच उसे आवाज़ में सुनाता है। यह तरीका उपयोगी है, लेकिन हर चरण के बीच तालमेल बैठाना पड़ता है—मसलन, उपयोगकर्ता के रुकने, बीच में बोल पड़ने या बात बदलने को कैसे समझा जाए। 3

GPT-Live-1 को एक ऐसे एकीकृत वॉइस मॉडल के रूप में पेश किया गया है जो आने वाली और बाहर जाने वाली ऑडियो के साथ काम करता है। इसका फुल-डुप्लेक्स डिज़ाइन इसे बोलते हुए भी सुनते रहने देता है। उद्देश्य यह है कि किसी रुकावट, संक्षिप्त सहमति—जैसे “हां”—या पास की बातचीत को हर बार नया प्रश्न मानकर एजेंट अपनी बात रोक न दे। 3

असल बात केवल तेज़ आवाज़ पैदा करने की नहीं है। यह बातचीत का संदर्भ और लय समझने की कोशिश है: सामने वाला अभी सोच रहा है, बीच में सुधार कर रहा है, या सिर्फ यह संकेत दे रहा है कि वह सुन रहा है। OpenAI इसे स्वाभाविक और अभिव्यक्तिपूर्ण वॉइस बातचीत के लिए अपना प्रमुख मॉडल बताता है, जिसमें रुकावटों को सहजता से संभालने पर जोर है। 23

वॉइस संभाले GPT-Live-1, गहरी सोच करे अलग बैकएंड

GPT-Live-1 को हर बिज़नेस निर्णय या जटिल तर्क खुद ही नहीं करना पड़ता। यह लाइव वॉइस संवाद संभालते हुए गहरे रीजनिंग कार्य, टूल कॉल या कार्रवाइयों को चुने गए अलग बैकएंड मॉडल और एजेंट फ्रेमवर्क को सौंप सकता है। 3

इससे डेवलपर्स के पास एक व्यावहारिक विकल्प बनता है:

• ऑर्डर की स्थिति देखने या अपॉइंटमेंट तय करने जैसे सामान्य कामों के लिए तेज़ और कम लागत वाला बैकएंड चुनें।
• कठिन मामलों को GPT-6 Astra जैसे अधिक सक्षम मॉडल तक भेजें।
• मौजूदा तकनीकी ढांचे के अनुरूप होने पर समर्थित थर्ड-पार्टी बैकएंड मॉडल जोड़ें। 3

यानी सिस्टम के दो हिस्से हैं: GPT-Live-1 लाइव बातचीत की आवाज़ और टाइमिंग संभालता है, जबकि बैकएंड रीजनिंग, बिज़नेस डेटा और कार्रवाइयां देता है। इसलिए $0.05 प्रति मिनट को किसी पूरे वॉइस एजेंट की अंतिम लागत नहीं समझना चाहिए; बैकएंड इन्फरेंस, टूल्स, फोन सेवा और दूसरे खर्च इसमें जुड़ सकते हैं। 35

API में कौन-सी सुविधाएं हैं?

OpenAI के अनुसार, डेवलपर्स सिस्टम प्रॉम्प्ट के जरिए मॉडल के लहजे, बोलने की गति और बातचीत की शैली को दिशा दे सकते हैं। GPT-Live-1 ट्रांसक्रिप्ट और उत्तर का टेक्स्ट भी देता है, अक्षर-अंकीय जानकारी समझ सकता है, कीवर्ड बायसिंग का समर्थन करता है और उन उत्पादों के लिए टर्न डिटेक्शन उपलब्ध कराता है जिन्हें स्पष्ट बोलने की बारी चाहिए। 3

मॉडल को लंबे सत्रों और फोन-आधारित एजेंटों के लिए लक्षित किया गया है—जैसे ग्राहक सहायता या रिज़र्वेशन वर्कफ़्लो। OpenAI का कहना है कि यह चुप्पी और बैकग्राउंड शोर के बीच भी हर आंतरिक प्रक्रिया को बोलकर सुनाने के बजाय बातचीत को स्वाभाविक ढंग से आगे बढ़ा सकता है। 3

उपलब्ध दस्तावेज़ों में समर्थित भाषाओं की कोई निर्णायक सूची या किसी खास उच्चारण और बोली के लिए विस्तृत डेवलपर नियंत्रण स्थापित नहीं किया गया है। इसलिए प्रोडक्शन में उपयोग से पहले मौजूदा API दस्तावेज़ों में इन विवरणों की पुष्टि करनी चाहिए।

बेंचमार्क में OpenAI के दावे

OpenAI का कहना है कि GPT-Live-1 ने Full Duplex Bench में GPT-Realtime-2.1 की तुलना में 30 प्रतिशत अंक बेहतर प्रदर्शन किया। यह मूल्यांकन बोलने की बारी, ठहराव, रुकावट, छोटे प्रतिक्रिया-संकेत और बैकग्राउंड स्पीच जैसे इंटरैक्टिव वॉइस व्यवहारों पर केंद्रित है। 3

कंपनी के मुताबिक, मध्यम रीजनिंग प्रयास पर GPT-6 Astra के साथ जोड़े जाने पर GPT-Live-1 ने Tau3 में पहला स्थान हासिल किया। Tau3 एक एंड-टू-एंड वॉइस-एजेंट बेंचमार्क है; इसके कस्टमर-सर्विस हिस्से में एयरलाइन, रिटेल और टेलीकॉम संदर्भों के बोले गए कार्य शामिल हैं। 3

कुछ द्वितीयक रिपोर्टों में टर्न-टेकिंग लेटेंसी और Tau3 स्कोर के सटीक आंकड़े दिए गए हैं, लेकिन उपलब्ध प्राथमिक-स्रोत सामग्री में ये विशिष्ट संख्याएं नहीं हैं। इसलिए अधिक सावधान निष्कर्ष यही है कि OpenAI ने इंटरैक्टिव वॉइस व्यवहार में बड़ी बढ़त और Astra के साथ Tau3 में शीर्ष स्थान की रिपोर्ट की है; हर तैनाती में वही नतीजे मिलेंगे, यह तय नहीं है। 37

Yelp, Speak और हेल्थकेयर में शुरुआती उपयोग

OpenAI ने कुछ शुरुआती तैनातियों का उल्लेख किया है:

• Yelp अपने Yelp Host में इनबाउंड रेस्तरां कॉल के लिए GPT-Live-1 का उपयोग कर रहा है, जिनमें रिज़र्वेशन और फूड ऑर्डर शामिल हैं। Yelp ने अपने पुराने पारंपरिक वॉइस ढांचे की तुलना में बेहतर टर्न-टेकिंग, सटीकता, कॉल हैंडलिंग और कॉलर के अधिक संपूर्ण जवाबों की रिपोर्ट की है। 3
• Speak इसे अपने भाषा-शिक्षण ट्यूटर में उपयोग करता है। OpenAI के अनुसार, शिक्षार्थियों को जवाब बनाने में अधिक समय लेने की सुविधा मिली और पुराने टर्न-आधारित सिस्टम की तुलना में रुकावटें लगभग 80% कम हुईं। 34
• एक अनाम हेल्थकेयर कंपनी ने कहा कि कैस्केडेड आर्किटेक्चर छोड़ने पर उसका कोडबेस 80% घटा और 23,000 लाइन कोड हट गईं। कंपनी के अनुसार, इससे अपॉइंटमेंट बुकिंग से लेकर केयर नेविगेशन तक मरीजों से अधिक स्वाभाविक रियल-टाइम बातचीत संभव हुई। यह कंपनी का अपना दावा है, स्वतंत्र ऑडिट का निष्कर्ष नहीं। 3

इन उदाहरणों से स्पष्ट है कि फुल-डुप्लेक्स डिज़ाइन उन परिस्थितियों में अधिक उपयोगी हो सकता है जहां कॉलर हिचकिचाए, अपनी बात सुधारे, एजेंट की बात के बीच छोटी सहमति दे या बातचीत दोबारा शुरू किए बिना बीच में बोलना चाहे।

कीमत और OpenAI Presence

GPT-Live-1 की फ्रंट-एंड वॉइस लेयर के लिए दर $0.05 प्रति मिनट है। डेवलपर्स इसे अपनी पसंद के बैकएंड मॉडल और एजेंट फ्रेमवर्क के साथ जोड़ सकते हैं, लेकिन वही विकल्प कुल परिचालन लागत तय करेंगे क्योंकि उनका बिल वॉइस लेयर से अलग है। 35

OpenAI ने OpenAI Presence को भी GPT-Live-1 पर वॉइस वर्कफ़्लो बनाने का एक अन्य तरीका बताया है, जहां मॉडल रियल-टाइम वॉइस इंटरैक्शन को शक्ति देता है। मगर उपलब्ध सामग्री Presence की एंटरप्राइज़ पात्रता, व्यावसायिक शर्तों, होस्टिंग मॉडल या एक्सेस प्रक्रिया को स्पष्ट नहीं करती। इसलिए इन बातों को केवल API घोषणा के आधार पर मान लेना उचित नहीं होगा। 3

किसी टीम के लिए मुख्य सवाल केवल प्रति-मिनट कीमत नहीं है: बेहतर टर्न-टेकिंग से उस वर्कफ़्लो में कितना वास्तविक लाभ होगा, और भरोसेमंद नतीजों के लिए कौन-सा बैकएंड मॉडल व टूल-पथ स्वीकार्य कुल लागत में काम करेगा?