GPT-Live-1 w API OpenAI: rozmowy głosowe bez sztywnego „twoja kolej–moja kolej”

OpenAI ogłosiło ogólną dostępność GPT-Live-1 w API 10 września 2026 r., a nie 11 września. To model przeznaczony do budowania agentów głosowych, które nie muszą traktować rozmowy jak serii ściśle oddzielonych tur: mogą słuchać i mówić równocześnie. 116

Co w praktyce oznacza full-duplex?

W klasycznym agencie głosowym rozmowa zwykle przechodzi przez łańcuch: rozpoznawanie mowy zamienia dźwięk na tekst, model językowy układa odpowiedź, a synteza mowy odczytuje ją użytkownikowi. GPT-Live-1 ma stanowić jedną warstwę głosową dla interakcji prowadzonych w czasie rzeczywistym. 1

Najważniejsza różnica dotyczy zmiany ról w rozmowie. Według OpenAI model może jednocześnie słuchać i mówić, śledzić pauzy oraz zmianę tempa i na bieżąco oceniać, czy powinien odpowiedzieć, czy nadal słuchać. Dzięki temu przerwania i krótkie potwierdzenia typu „mhm” — nazywane też sygnałami podtrzymującymi rozmowę — mają być obsługiwane jako naturalny element dialogu, a nie błąd. 1915

Nie oznacza to, że sam model głosowy musi wykonywać każde zadanie. Rozmowa z GPT-Live-1 może toczyć się dalej, gdy model lub agent backendowy realizuje bardziej złożone rozumowanie albo korzysta z narzędzi. OpenAI udostępnia delegowanie przez Responses do modelu OpenAI oraz delegowanie klienta, które pozwala podłączyć własne zaplecze dewelopera. 116

Warstwa głosowa z osobnym „mózgiem” w tle

GPT-Live-1 pełni rolę frontowej warstwy konwersacyjnej: słucha, mówi i zarządza rytmem dialogu. Backend może natomiast odpowiadać za wyszukiwanie informacji, bardziej wymagające rozumowanie, obsługę procesów biznesowych albo wywołania narzędzi. W informacjach produktowych OpenAI wskazano GPT-6 Astra jako jedną z opcji dla trudniejszych zadań związanych z wyszukiwaniem i rozumowaniem; twórcy korzystający z API mogą też podłączyć własny backend przez delegowanie klienta. 416

Dla zespołów budujących produkt oznacza to podział odpowiedzialności:

• GPT-Live-1 obsługuje rozmowę na żywo — słuchanie, mówienie i właściwy moment reakcji;
• model lub agent backendowy może podejmować złożone decyzje i korzystać z narzędzi;
• całkowity koszt i zachowanie agenta wynikają z obu warstw, a nie wyłącznie z modelu głosowego. 1618

OpenAI podkreśla także lepsze wykonywanie instrukcji, możliwość korzystania z niestandardowych głosów oraz wsparcie dla telefonii. 13

Cena: 0,05 USD za minutę głosu, ale to nie cały rachunek

Sesje głosowe GPT-Live-1 kosztują 0,05 USD za minutę. Rozliczenie odbywa się co sekundę, bez zaokrąglania do pełnej minuty. 1618

To cena samej sesji głosowej, a nie pełnego działania agenta. Użycie modelu backendowego oraz narzędzi jest rozliczane oddzielnie. Przy planowaniu kosztów produkcyjnych trzeba więc uwzględnić zarówno długość rozmowy, jak i pracę wykonywaną przez system działający w tle. 1618

Benchmarki: co potwierdzają dostępne materiały

OpenAI podało, że GPT-Live-1 uzyskał wynik wyższy o 30 punktów procentowych w teście Full Duplex Bench względem GPT-Realtime-2.1. Firma poinformowała też, że połączenie GPT-Live-1 z GPT-6 Astra przy średnim poziomie wysiłku rozumowania zajęło pierwsze miejsce w teście Tau3. 1

Dostarczone materiały nie potwierdzają jednak niezależnie konkretnych wartości opóźnienia zmiany tury ani dokładnego porównania wskaźników zaliczenia w Tau3 przywołanych w pytaniu. Tych precyzyjnych liczb nie należy więc na podstawie tego zestawu źródeł uznawać za zweryfikowane.

Co zgłosili pierwsi użytkownicy

OpenAI przytoczyło przykłady wdrożeń produkcyjnych, które mają pokazywać korzyści z bardziej naturalnego prowadzenia rozmowy:

• Yelp podał, że po integracji GPT-Live-1 z Yelp Host i Hatch poprawiły się zmiana tur oraz dokładność. W rozmowach dotyczących rezerwacji i zamówień jedzenia użytkownicy mieli wypowiadać się pełniej i bardziej naturalnie, a obsługa połączeń miała się poprawić. 1
• Speak przekazał, że osoby uczące się języka mogły dłużej zastanowić się przed odpowiedzią wirtualnego nauczyciela. Firma odnotowała niemal 80-procentowy spadek liczby przerwań w porównaniu z wcześniejszymi systemami opartymi na turach. 1
• Nieujawniona z nazwy firma z branży ochrony zdrowia stwierdziła, że odejście od architektury kaskadowej uprościło jej bazę kodu o 80% i pozwoliło usunąć 23 tys. linii kodu, jednocześnie wspierając bardziej naturalne rozmowy z pacjentami w czasie rzeczywistym. 1

Są to deklaracje firm dotyczące własnych wdrożeń, a nie niezależne testy. Należy je traktować jako przykłady użycia, nie jako uniwersalną gwarancję rezultatów.

Czego nie potwierdzają udostępnione źródła

Dostępne materiały nie potwierdzają twierdzeń o dostępie dla przedsiębiorstw przez zarządzany produkt o nazwie „Presence”. Nie wykazują też konkretnego rozszerzenia obsługi akcentów, dialektów ani języków w ramach tej premiery API. Przed zakupem lub wdrożeniem takie informacje warto sprawdzić bezpośrednio w aktualnej dokumentacji OpenAI.

Najważniejszy wniosek

Kluczowa zmiana w GPT-Live-1 ma charakter architektoniczny: API otrzymuje warstwę głosową full-duplex, która może prowadzić naturalniejszy dialog, podczas gdy osobny system zajmuje się wolniejszym rozumowaniem i narzędziami. Stawka 0,05 USD za minutę, naliczana co sekundę, upraszcza wycenę czasu rozmowy — jednak pełny koszt rozwiązania nadal zależy od wybranego backendu i używanych narzędzi. 11618