OpenAI udostępnia GPT‑Live‑1 w API. Model głosowy słucha i mówi jednocześnie

Ogłoszenie OpenAI dotyczące API nosi datę 10 września 2026 r., a nie 11 września. Firma udostępniła wtedy GPT‑Live‑1 jako model głosowy full duplex — czyli taki, który może równocześnie słuchać użytkownika i mówić. Ma to ułatwić tworzenie agentów głosowych prowadzących rozmowę bardziej podobną do naturalnej konwersacji, zamiast czekać na zakończenie każdej wypowiedzi. 3

Czym różni się od typowego agenta głosowego

W klasycznej architekturze rozmowa głosowa przechodzi przez kolejne etapy: rozpoznawanie mowy (speech-to-text), model językowy lub rozumujący, a następnie syntezę mowy (text-to-speech). Każde takie przekazanie danych może zwiększać opóźnienie i powodować utratę elementów ważnych w rozmowie — jej rytmu, czasu reakcji i części kontekstu. GPT‑Live‑1 łączy słuchanie oraz mówienie w jednym modelu głosowym. 3

W praktyce oznacza to, że system może reagować na przerwania i krótkie sygnały potwierdzające w trakcie rozmowy. Głębsze rozumowanie albo korzystanie z narzędzi może odbywać się równolegle w modelu backendowym. 3

Twórcy aplikacji mogą przekazywać takie zadania do zaplecza OpenAI, np. GPT‑6 Astra, albo do modelu innej firmy. Pozwala to dobierać kompromis między jakością rozumowania, szybkością działania i kosztem do konkretnego zastosowania. 3

Funkcje dla twórców aplikacji

OpenAI wskazało m.in. możliwość sterowania w promptach systemowych tonem, tempem i stylem rozmowy. Model ma też wspierać wdrożenia telefoniczne, radzenie sobie z hałasem w tle i ciszą, dłuższe sesje, transkrypcje oraz tekst odpowiedzi, rozpoznawanie znaków alfanumerycznych i wzmacnianie wskazanych słów kluczowych. 3

Cena i sposób rozliczania

Sesje głosowe GPT‑Live‑1 kosztują 0,05 USD za minutę. Rozliczenie odbywa się co do sekundy, bez zaokrąglania do pełnych minut. 2

To nie jest jednak pełny koszt obsługi rozmowy: użycie wybranego modelu backendowego oraz narzędzi jest naliczane osobno. 2

Dostarczone materiały nie potwierdzają szczegółów dotyczących rzekomego zarządzanego dostępu korporacyjnego „Presence” ani konkretnych twierdzeń o rozszerzeniu obsługiwanych akcentów, dialektów i języków.

Wyniki, na które powołuje się OpenAI

Według OpenAI GPT‑Live‑1 poprawił wynik w teście Full Duplex Bench o 30 punktów procentowych względem GPT‑Realtime‑2.1. W konfiguracji z GPT‑6 Astra i średnim poziomem wysiłku rozumowania model zajął pierwsze miejsce w teście Tau3. 3

W przedstawionych materiałach nie ma jednak niezależnie pokazanych dokładnych wartości opóźnienia — 1,41 s wobec 0,798 s — ani wyników Tau3 na poziomie 86,2% wobec 45,7%. Te konkretne liczby należy więc uznać za niezweryfikowane na podstawie dostępnych źródeł.

Co mówią pierwsi użytkownicy

Yelp podał, że integracja GPT‑Live‑1 z Yelp Host i Hatch poprawiła zmianę tur w rozmowie oraz dokładność względem wcześniejszej architektury głosowej. W rozmowach o rezerwacjach i zamówieniach jedzenia firma odnotowała istotną poprawę obsługi połączeń, a dzwoniący mieli wypowiadać się pełniejszymi, bardziej naturalnymi zdaniami. 3

Speak przekazał, że model dawał osobom uczącym się języka więcej czasu na zastanowienie przed odpowiedzią wirtualnego lektora. Według firmy liczba przerwań spadła niemal o 80% w porównaniu z wcześniejszymi systemami działającymi turami. 3

Współzałożyciel i CTO firmy z branży ochrony zdrowia stwierdził natomiast, że zastąpienie architektury kaskadowej uprościło kod o 80% i pozwoliło usunąć 23 tys. linii kodu, co miało umożliwić bardziej naturalne rozmowy z pacjentami w czasie rzeczywistym. 3