OpenAI ने API में GPT‑Live‑1 लॉन्च किया: अब वॉइस एजेंट एक साथ सुन और बोल सकेंगे

OpenAI की API संबंधी घोषणा 11 सितंबर नहीं, 10 सितंबर 2026 की है। कंपनी ने GPT‑Live‑1 को API में उपलब्ध कराया—एक ऐसा फुल-डुप्लेक्स वॉइस मॉडल जो वॉइस एजेंट को बारी-बारी से होने वाले कठोर संवाद के बजाय अधिक स्वाभाविक बातचीत के लिए बनाया गया है। 3

GPT‑Live‑1 में नया क्या है?

आमतौर पर वॉइस एजेंट तीन अलग चरणों से काम करते हैं: पहले आवाज को टेक्स्ट में बदला जाता है (speech-to-text), फिर भाषा/रीज़निंग मॉडल जवाब तैयार करता है, और अंत में उस टेक्स्ट को आवाज में बदला जाता है (text-to-speech)। हर चरण के बीच होने वाला हस्तांतरण देरी बढ़ा सकता है और बोलने की लय, समय-संकेत तथा बातचीत का संदर्भ कमजोर कर सकता है।

GPT‑Live‑1 सुनने और बोलने को एक ही वॉइस मॉडल में जोड़ता है। इसलिए यह एक साथ सुन और बोल सकता है, बीच में टोके जाने या छोटे-छोटे प्रत्युत्तर—जैसे “हां” या “ठीक है”—पर उसी समय प्रतिक्रिया दे सकता है। जटिल रीजनिंग या टूल इस्तेमाल करने जैसे काम, इसके साथ जुड़ा बैकएंड मॉडल पृष्ठभूमि में संभाल सकता है। 3

डेवलपर गहरे रीजनिंग और कार्रवाई के लिए OpenAI के GPT‑6 Astra जैसे बैकएंड मॉडल या किसी तीसरे पक्ष के मॉडल को चुन सकते हैं। इससे वे अपने उपयोग-मामले के अनुसार गति, रीजनिंग क्षमता और लागत का संतुलन तय कर सकते हैं। 3

OpenAI ने सिस्टम प्रॉम्प्ट के जरिए बोलने के लहजे, गति और बातचीत की शैली पर नियंत्रण का भी उल्लेख किया है। अन्य क्षमताओं में टेलीफोनी पर तैनाती, बैकग्राउंड शोर और खामोशी को संभालना, लंबे सेशन में विश्वसनीयता, ट्रांसक्रिप्ट/रिस्पॉन्स टेक्स्ट, अल्फ़ान्यूमेरिक पहचान और कीवर्ड बायसिंग शामिल हैं। 3

पारंपरिक वॉइस पाइपलाइन से अंतर

पारंपरिक सिस्टम में एजेंट को अक्सर उपयोगकर्ता के बोलना खत्म करने का इंतजार करना पड़ता है। फिर ऑडियो को टेक्स्ट में बदलने, जवाब तैयार करने और जवाब को आवाज में बदलने के चरण चलते हैं। GPT‑Live‑1 का उद्देश्य इन अलग-अलग परतों के कारण आने वाली रुकावट को घटाना है।

व्यावहारिक रूप से इसका अर्थ है कि कॉल-बेस्ड ग्राहक सेवा, बुकिंग, भाषा-अभ्यास या अन्य बातचीत वाले उत्पादों में एजेंट किसी इंसान की तरह बातचीत की धारा के साथ चल सके—मिसाल के लिए, उपयोगकर्ता के बीच में बोलने पर अपनी प्रतिक्रिया बदल सके। 3

कीमत और बिलिंग

GPT‑Live‑1 के वॉइस सेशन की कीमत 0.05 डॉलर प्रति मिनट है। बिलिंग पूरे मिनट तक राउंड-अप करने के बजाय प्रति सेकंड होती है। 2

हालांकि 0.05 डॉलर प्रति मिनट केवल वॉइस लेयर का शुल्क है। चुने गए बैकएंड मॉडल तथा टूल के उपयोग का शुल्क अलग से लगेगा। इसलिए कुल लागत वॉइस सेशन के साथ इस्तेमाल किए गए रीजनिंग मॉडल और टूल पर निर्भर करेगी। 2

दिए गए स्रोत कथित प्रबंधित “Presence” एंटरप्राइज एक्सेस या उच्चारणों, बोलियों और भाषाओं के विस्तार संबंधी विशेष दावों की पुष्टि नहीं करते।

OpenAI के बताए बेंचमार्क और शुरुआती अनुभव

OpenAI के अनुसार, GPT‑Live‑1 ने GPT‑Realtime‑2.1 की तुलना में Full Duplex Bench पर 30 प्रतिशत अंक का सुधार दर्ज किया। कंपनी ने यह भी कहा कि GPT‑Live‑1 को GPT‑6 Astra के साथ मध्यम रीजनिंग प्रयास पर जोड़ने से Tau3 में पहला स्थान मिला। 3

हालांकि उपलब्ध साक्ष्य 1.41 बनाम 0.798 सेकंड की लेटेंसी या Tau3 के 86.2% बनाम 45.7% पास-रेट जैसे सटीक आंकड़ों को स्वतंत्र रूप से नहीं दिखाते; इसलिए इन संख्याओं को यहां सत्यापित नहीं माना जा सकता।

शुरुआती उपयोगकर्ताओं के बारे में OpenAI ने कहा:

• Yelp ने बताया कि Yelp Host और Hatch में GPT‑Live‑1 लगाने से उसकी पुरानी वॉइस संरचना की तुलना में टर्न-टेकिंग और सटीकता बेहतर हुई। रिज़र्वेशन और फूड-ऑर्डर कॉल में कॉल हैंडलिंग में सुधार और ग्राहकों के अधिक पूर्ण, स्वाभाविक वाक्यों में बोलने की बात कही गई। 3
• भाषा सीखने वाले ऐप Speak के अनुसार, मॉडल ने शिक्षार्थियों को ट्यूटर के जवाब से पहले सोचने के लिए अधिक समय दिया और पुराने टर्न-आधारित सिस्टम की तुलना में बीच में रुकावटें लगभग 80% कम हुईं। 3
• एक हेल्थकेयर कंपनी के सह-संस्थापक/CTO ने कहा कि कैस्केडेड सिस्टम की जगह GPT‑Live‑1 लाने से कोडबेस 80% सरल हुआ और 23,000 लाइन कोड हटाई जा सकीं, जिससे मरीजों के साथ रियल-टाइम बातचीत अधिक स्वाभाविक बनी। 3

कुल मिलाकर, GPT‑Live‑1 का मुख्य दावा केवल आवाज को टेक्स्ट और फिर आवाज में बदलना नहीं, बल्कि बातचीत के दौरान सुनने, बोलने और बीच में होने वाले बदलावों पर तुरंत प्रतिक्रिया देने की क्षमता है।