GPT-Live-1: OpenAI:s full-duplex-röstmodell för utvecklare

OpenAI:s GPT-Live-1 är en röstmodell för utvecklare som ska få automatiserade samtal att kännas mindre som inspelade fråge-och-svar och mer som ett levande samtal. Modellen blev tillgänglig i API:t den 10 september 2026 och kostar 0,05 dollar per minut för det främre röstlagret. Resonemangsmodell, verktyg och annan infrastruktur som kopplas bakom röstlagret debiteras separat. 35

Vad full duplex betyder i praktiken

Många röstassistenter bygger på en kedja: tal-till-text omvandlar personens röst till text, en språkmodell formulerar ett svar och text-till-tal läser sedan upp svaret. Upplägget kan fungera väl, men varje steg innebär en överlämning. Applikationen måste själv samordna pauser, tvekan, ändrad avsikt och avbrott mellan flera separata komponenter. 3

GPT-Live-1 är i stället positionerad som en enskild röstmodell som arbetar med både inkommande och utgående ljud. Full-duplex-upplägget innebär att den kan fortsätta lyssna samtidigt som den genererar tal. Tanken är att den ska kunna reagera när en användare avbryter eller ger en kort bekräftelse, utan att tolka varje ljud, tystnad eller samtal i bakgrunden som en ny tur i dialogen. 3

Det handlar alltså inte bara om att skapa ljud snabbare, utan om samtalsstyrning: att avgöra när någon fortfarande tänker, när personen avbryter och när ett kort ”ja” bara är en bekräftelse snarare än en begäran om ett nytt svar. OpenAI beskriver GPT-Live-1 som sin främsta modell för naturliga, uttrycksfulla röstsamtal med smidig avbrottshantering. 23

Röst i realtid, resonemang i en separat backend

GPT-Live-1 behöver inte själv utföra all affärslogik. Den kan hålla igång röstsamtalet i realtid medan mer avancerat resonemang, verktygsanrop eller åtgärder delegeras till en separat backendmodell och ett agentramverk. 3

Det ger utvecklare flera möjliga upplägg:

• En snabbare och billigare backendmodell för rutinärenden, exempelvis bokning eller kontroll av orderstatus.
• En starkare modell, som GPT-6 Astra, för mer komplicerade frågor.
• Stöd för backendmodeller från tredje part när det passar den befintliga tekniska miljön bättre. 3

Systemet blir därmed tvådelat: GPT-Live-1 sköter själva röstdialogen, medan backendmodellen tillför resonemang, verksamhetsdata och åtgärder. Följden är att det annonserade röstpriset inte är hela kostnaden för en röstagent. Modellinferens i backend, verktyg, telefoni och närliggande tjänster kan tillkomma. 35

Funktioner i API:t och möjliga användningsområden

Enligt OpenAI kan utvecklare styra tonfall, tempo och samtalsstil via systemprompten. GPT-Live-1 ger även transkriptioner och svarstext, har stöd för alfanumerisk förståelse och nyckelordsbiasering samt erbjuder turdetektering för produkter som fortfarande behöver tydliga gränser mellan samtalsturer. 3

Modellen är avsedd för längre sessioner och telefonbaserade agenter, bland annat inom kundtjänst och bokning. OpenAI uppger att den kan hantera tystnad och bakgrundsljud utan att redogöra för varje internt steg – ett beteende som är relevant i vanliga telefonsamtal och andra mindre kontrollerade miljöer. 3

Det tillhandahållna underlaget fastslår däremot ingen definitiv lista över stödda språk och beskriver inte detaljerade utvecklarinställningar för specifika accenter eller dialekter. Sådana krav bör därför kontrolleras i den aktuella API-dokumentationen före en driftsättning.

OpenAI:s rapporterade benchmarkresultat

OpenAI uppger att GPT-Live-1 förbättrade resultatet i Full Duplex Bench med 30 procentenheter jämfört med GPT-Realtime-2.1. Utvärderingen fokuserar på interaktivt röstbeteende, bland annat turtagning, pauser, avbrott, korta bekräftelser och bakgrundstal. 3

Tillsammans med GPT-6 Astra med medelhög resonemangsnivå uppger OpenAI också att GPT-Live-1 placerade sig etta i Tau3, ett benchmark för röstagenters förmåga att utföra uppgifter från början till slut. Kundtjänstdelen omfattar talade uppgifter inom flyg, handel och telekom. 3

Vissa sekundärkällor anger exakta siffror för fördröjning vid turtagning och Tau3-resultat. Det primärkällmaterial som finns här innehåller dock inte dessa exakta värden. Den säkrare slutsatsen är därför att OpenAI rapporterar tydliga förbättringar i interaktivt samtalsbeteende och en topplacering i Tau3 för kombinationen GPT-Live-1 och Astra – inte att varje installation kommer att nå ett visst benchmarkresultat. 37

Så använder tidiga kunder modellen

OpenAI lyfter fram flera tidiga användningsfall för röstagenter:

• Yelp använder GPT-Live-1 i Yelp Host för inkommande restaurangsamtal, exempelvis bordsbokningar och matbeställningar. Yelp uppger bättre turtagning och träffsäkerhet än med sin tidigare konventionella röstarkitektur, samt bättre samtalshantering och mer fullständiga svar från uppringare. 3
• Speak använder modellen i sin språkhandledare. OpenAI uppger att eleverna kan få längre tid på sig att formulera svar och att avbrotten minskade med nästan 80 procent jämfört med Speaks tidigare turbaserade system. 34
• Ett namnlöst vårdföretag uppgav att övergången från en kaskadarkitektur minskade kodbasen med 80 procent och tog bort 23 000 rader kod. Företaget kopplar det till mer naturliga patientsamtal i realtid, från tidsbokning till vägledning inom vården. Detta är ett resultat som företaget själv har rapporterat och inte en oberoende granskning. 3

Exemplen visar var full duplex kan vara mest värdefullt: i situationer där den som ringer tvekar, rättar sig själv, bekräftar något mitt i ett svar eller avbryter agenten utan att vilja börja om hela ärendet.

Pris och OpenAI Presence

GPT-Live-1 kostar 0,05 dollar per minut för det främre röstlagret. Utvecklare kan kombinera modellen med valfri backendmodell och agentmiljö, men de valen påverkar den totala driftskostnaden eftersom de debiteras utöver röstlagret. 35

OpenAI pekar också ut OpenAI Presence som ett annat sätt att bygga röstflöden med GPT-Live-1 för röstinteraktion i realtid. Underlaget definierar dock inte Presence villkor för företag, kommersiella villkor, driftmodell eller hur åtkomst ges. Det går därför inte att dra säkra slutsatser om dessa delar enbart utifrån API-lanseringen. 3

För team som utvärderar modellen är huvudfrågan alltså större än minutpriset: hur mycket är ett smidigare samtalsflöde värt i det aktuella arbetsflödet, och vilken kombination av backendmodell och verktyg ger tillräcklig tillförlitlighet till en rimlig totalkostnad?