GPT-Live-1: Slik fungerer OpenAIs full-dupleks stemme-API

OpenAIs GPT-Live-1 er en utviklermodell for stemmesamtaler som skal oppleves mindre som en rekke adskilte spørsmål og svar, og mer som en løpende dialog. Den ble gjort tilgjengelig i API-et 10. september 2026 og koster 0,05 dollar per minutt for stemmelaget i frontenden. Resonneringsmodellen, verktøyene og annen infrastruktur som kobles til i bakkant, kommer i tillegg. 35

Hva full dupleks faktisk endrer

Mange stemmeagenter er bygd som en kjede: Tale-til-tekst gjør lyd om til tekst, en språkmodell lager et tekstsvar, og tekst-til-tale gjør svaret om til lyd. Det kan fungere godt, men hvert ledd er en overlevering. Applikasjonen må selv koordinere pauser, endret hensikt og avbrytelser på tvers av flere komponenter. 3

GPT-Live-1 er i stedet posisjonert som én stemmemodell som arbeider med både innkommende og utgående lyd. Full-dupleks-designet innebærer i praksis at den kan fortsette å lytte mens den genererer tale. Målet er at den skal kunne reagere på avbrytelser eller korte bekreftelser uten å tolke hver lyd, stillhet eller samtale i bakgrunnen som en ny tur som krever svar. 3

Poenget er altså ikke bare raskere talegenerering, men bedre kontroll over selve samtalen: å oppfatte at noen fortsatt tenker, at de bryter inn, eller at et kort «ja» bare er en bekreftelse – ikke en ny forespørsel. OpenAI omtaler modellen som sitt fremste alternativ for naturlige og uttrykksfulle stemmesamtaler med smidig håndtering av avbrytelser. 23

Stemmestyring i front, resonnering i bakkant

GPT-Live-1 trenger ikke å utføre all forretningslogikk selv. Den kan holde den direkte stemmesamtalen gående, mens mer omfattende resonnering, verktøykall eller handlinger delegeres til en separat valgt backend-modell og agentrammeverk. 3

Det gir utviklere noen praktiske valg:

• En raskere og rimeligere backend kan brukes til rutineoppgaver, som timebestilling eller ordresporing.
• Vanskelige henvendelser kan sendes videre til en kraftigere modell, som GPT-6 Astra.
• Støttede tredjepartsmodeller kan kobles til dersom de passer bedre inn i den eksisterende teknologistakken. 3

Resultatet er et todelt oppsett: GPT-Live-1 håndterer den levende stemmedialogen, mens backend-laget leverer resonnering, virksomhetsdata og handlinger. Det betyr også at den oppgitte stemmeprisen ikke er hele kostnadsbildet. Backend-inferens, verktøy, telefoni og andre tjenester kan øke totalen. 35

Funksjoner i API-et og mulige bruksområder

Ifølge OpenAI kan utviklere styre tone, tempo og samtalestil gjennom systemprompten. GPT-Live-1 leverer også transkripsjoner og svartekst, støtter forståelse av alfanumeriske uttrykk og nøkkelordprioritering, og har turdeteksjon for produkter som fortsatt trenger tydelige grenser mellom replikkene. 3

Modellen er beregnet på lengre økter og telefonbaserte agenter, blant annet for kundestøtte og reservasjoner. OpenAI sier den kan håndtere stillhet og bakgrunnsstøy uten å kommentere alle interne steg, noe som er relevant i vanlige telefonsamtaler og andre omgivelser der lyden ikke er helt kontrollert. 3

Det foreliggende dokumentasjonsgrunnlaget fastslår ikke en endelig liste over støttede språk eller detaljerte utviklerkontroller for bestemte aksenter og dialekter. Slike krav bør derfor kontrolleres i den til enhver tid gjeldende API-dokumentasjonen før utrulling.

Oppgitte testresultater

OpenAI oppgir at GPT-Live-1 forbedret resultatet med 30 prosentpoeng sammenlignet med GPT-Realtime-2.1 i Full Duplex Bench. Evalueringen måler interaktiv stemmeatferd, blant annet turtaking, pauser, avbrytelser, korte bekreftelser og tale i bakgrunnen. 3

Sammen med GPT-6 Astra med middels resonneringsinnsats oppgir OpenAI også at GPT-Live-1 kom på førsteplass i Tau3, en ende-til-ende-test for stemmeagenter. Kundeservice-delen dekker talebaserte oppgaver innen flyreiser, varehandel og telekom. 3

Enkelte sekundærkilder oppgir eksakte tall for responstid ved turtaking og Tau3-resultater. Primærmaterialet som foreligger her, gir imidlertid ikke disse presise verdiene. Den mest forsvarlige konklusjonen er derfor at OpenAI rapporterer betydelige forbedringer i interaktiv samtaleatferd og en toppplassering i Tau3 for kombinasjonen GPT-Live-1 og Astra – ikke at alle implementasjoner vil gjenskape et bestemt benchmark-tall. 37

Slik brukes modellen av tidlige kunder

OpenAI trekker frem flere tidlige implementeringer:

• Yelp bruker GPT-Live-1 i Yelp Host for innkommende restauranttelefoner, blant annet reservasjoner og matbestillinger. Yelp oppgir bedre turtaking og treffsikkerhet enn med sin tidligere, mer konvensjonelle stemmearkitektur, samt bedre håndtering av samtaler og mer utfyllende svar fra innringere. 3
• Speak bruker modellen i sin språklæringstutor. OpenAI oppgir at elever kan bruke lengre tid på å formulere svar, og at avbrytelsene falt med nesten 80 prosent sammenlignet med Speaks tidligere turbaserte system. 34
• Et ikke-navngitt helseselskap oppga at et bytte bort fra en kjedet arkitektur reduserte kodebasen med 80 prosent og fjernet 23 000 kodelinjer. Selskapet knyttet dette til mer naturlige pasientsamtaler i sanntid, fra timebestilling til veiledning i helsetjenesten. Dette er et selskapets eget resultat, ikke en uavhengig revisjon. 3

Eksemplene viser hvor full dupleks kan ha størst verdi: i situasjoner der innringeren nøler, retter på seg selv, kvitterer midt i et svar eller avbryter uten å ønske å starte dialogen helt på nytt.

Pris og OpenAI Presence

GPT-Live-1 koster 0,05 dollar per minutt for stemmelaget i frontenden. Utviklere kan koble til ønsket backend-modell og agentrammeverk, men disse valgene påvirker den totale driftskostnaden fordi de faktureres separat fra stemmelaget. 35

OpenAI peker også på OpenAI Presence som en annen måte å bygge stemmebaserte arbeidsflyter med GPT-Live-1 for stemmeinteraksjon i sanntid. Materialet som foreligger, forklarer imidlertid ikke vilkår for bedriftskunder, kommersielle betingelser, driftsmodell eller tilgangsprosess for Presence. Slike detaljer bør ikke antas ut fra API-lanseringen alene. 3

For team som vurderer modellen, er derfor det viktigste spørsmålet bredere enn minuttprisen: Hvor mye er bedre turtaking verdt i den aktuelle arbeidsflyten, og hvilken kombinasjon av backend-modell og verktøy gir tilstrekkelig pålitelighet til en akseptabel totalkostnad?