GPT-Live-1 di OpenAI: l’API vocale che ascolta e parla insieme

GPT-Live-1 è il modello vocale per sviluppatori con cui OpenAI punta a rendere gli assistenti telefonici e vocali meno simili a una successione di messaggi registrati e più vicini a una conversazione in diretta. È disponibile nell’API dal 10 settembre 2026 e costa 0,05 dollari al minuto per il livello vocale front-end. A questa spesa vanno aggiunti il modello di ragionamento, gli strumenti e l’infrastruttura collegati al servizio. 35

Cosa cambia con il full-duplex

Molti agenti vocali seguono una catena a tre passaggi: il riconoscimento vocale trasforma l’audio in testo, un modello linguistico prepara la risposta e la sintesi vocale la restituisce come audio. È un approccio efficace, ma richiede di coordinare più componenti, compresi silenzi, pause, cambi d’idea e sovrapposizioni tra chi parla e chi risponde. 3

GPT-Live-1 è invece presentato come un unico modello vocale che ragiona sull’audio in entrata e in uscita. La caratteristica full-duplex significa che può continuare ad ascoltare mentre sta parlando. L’obiettivo è reagire a un’interruzione o a un breve cenno di assenso senza interpretare ogni rumore, silenzio o voce in sottofondo come un nuovo turno obbligatorio della conversazione. 3

Non si tratta quindi soltanto di generare audio più rapidamente. Il punto è la gestione del dialogo: capire se la persona sta ancora pensando, se sta interrompendo davvero l’assistente oppure se un semplice «sì» o «capito» è soltanto un segnale di ascolto. OpenAI definisce GPT-Live-1 il suo modello di punta per conversazioni vocali naturali ed espressive, con interruzioni gestite in modo fluido. 23

Voce in tempo reale, ragionamento su un backend separato

GPT-Live-1 non deve svolgere internamente tutta la logica di business. Può mantenere la conversazione vocale in tempo reale e affidare ragionamenti più complessi, chiamate a strumenti o azioni a un modello backend e a un framework per agenti scelti dallo sviluppatore. 3

In pratica, i team possono:

• usare un backend più rapido ed economico per attività ricorrenti, come fissare un appuntamento o verificare lo stato di un ordine;
• inoltrare le richieste più difficili a un modello più potente, come GPT-6 Astra;
• collegare modelli backend di terze parti compatibili, se più adatti allo stack già in uso. 3

Ne risulta un’architettura a due livelli: GPT-Live-1 governa la conversazione dal vivo, mentre il backend fornisce ragionamento, dati aziendali e azioni. Di conseguenza, il prezzo pubblicizzato della componente vocale non coincide con il costo totale di un agente: inferenza del backend, strumenti, telefonia e altri servizi possono incidere sul conto finale. 35

Funzioni API e scenari di impiego

Secondo OpenAI, tono, ritmo e stile della conversazione possono essere indicati nel system prompt. Il modello fornisce anche trascrizioni e testo delle risposte, supporta la comprensione di sequenze alfanumeriche e il keyword biasing — utile per dare priorità a termini specifici — e offre il rilevamento dei turni per i prodotti che richiedono comunque confini espliciti fra un intervento e l’altro. 3

GPT-Live-1 è pensato per sessioni più lunghe e per agenti telefonici, ad esempio nell’assistenza clienti o nelle prenotazioni. OpenAI afferma che può gestire silenzio e rumore ambientale senza verbalizzare ogni passaggio interno, un comportamento utile nelle chiamate reali e in contesti poco controllati. 3

La documentazione fornita non stabilisce però un elenco definitivo delle lingue supportate né controlli dettagliati per singoli accenti e dialetti. Prima di considerare questi aspetti requisiti di distribuzione, gli sviluppatori dovrebbero verificarli nella documentazione API aggiornata.

I risultati dichiarati nei benchmark

OpenAI dichiara per GPT-Live-1 un miglioramento di 30 punti percentuali rispetto a GPT-Realtime-2.1 su Full Duplex Bench, una valutazione incentrata sui comportamenti interattivi: alternanza dei turni, pause, interruzioni, segnali di ascolto e parlato di sottofondo. 3

Abbinato a GPT-6 Astra con livello di ragionamento medio, GPT-Live-1 si è inoltre classificato al primo posto su Tau3, benchmark end-to-end per gli agenti vocali. La sua componente dedicata al servizio clienti comprende compiti vocali nei settori aereo, retail e telecomunicazioni. 3

Alcune fonti secondarie riportano valori precisi per la latenza nell’alternanza dei turni e per i punteggi Tau3, ma il materiale primario disponibile qui non fornisce tali numeri. La conclusione più solida è dunque che OpenAI segnala importanti progressi nel comportamento interattivo e un primo posto su Tau3 per la configurazione GPT-Live-1 più GPT-6 Astra; non che ogni implementazione riprodurrà uno specifico valore di benchmark. 37

I primi casi d’uso: Yelp, Speak e sanità

OpenAI cita alcuni impieghi iniziali dei propri agenti vocali:

• Yelp usa GPT-Live-1 in Yelp Host per le chiamate in entrata ai ristoranti, comprese prenotazioni e ordinazioni. Yelp riferisce un miglioramento nella gestione dei turni e nell’accuratezza rispetto alla precedente architettura vocale convenzionale, oltre a una maggiore capacità di gestire le chiamate e a risposte più complete da parte degli utenti. 3
• Speak lo integra nel proprio tutor per l’apprendimento delle lingue. OpenAI riferisce che gli studenti hanno più tempo per formulare le risposte e che le interruzioni sono diminuite di quasi l’80% rispetto al precedente sistema a turni. 34
• Un’azienda sanitaria non nominata ha dichiarato che l’abbandono dell’architettura a cascata ha ridotto dell’80% la base di codice ed eliminato 23.000 righe, favorendo conversazioni più naturali con i pazienti, dalla prenotazione alla navigazione dei servizi di cura. Si tratta di un risultato dichiarato dall’azienda, non di una verifica indipendente. 3

Questi esempi mostrano dove il full-duplex può essere più utile: chiamate in cui la persona esita, si corregge, conferma mentre l’agente sta ancora parlando o interrompe senza voler ricominciare l’interazione da capo.

Prezzo e ruolo di OpenAI Presence

Il prezzo di GPT-Live-1 è fissato a 0,05 dollari al minuto per il livello vocale front-end. Gli sviluppatori possono abbinarlo al modello backend e al framework per agenti preferiti, ma queste scelte incidono sul costo complessivo perché vengono fatturate separatamente dalla componente vocale. 35

OpenAI indica anche OpenAI Presence come un altro modo per creare flussi vocali basati su GPT-Live-1 per l’interazione in tempo reale. Il materiale disponibile non definisce però requisiti di accesso per le imprese, condizioni commerciali, modello di hosting o procedura di attivazione di Presence: non è quindi possibile dedurre questi dettagli dal solo annuncio dell’API. 3

Per chi valuta il modello, la domanda centrale va oltre il costo al minuto: quanto valore portano una gestione più naturale dei turni e meno interruzioni, e quale combinazione di backend e strumenti offre l’affidabilità necessaria a un costo totale sostenibile?