GPT-Live-1 i API:t: röstagenten kan lyssna och tala samtidigt

OpenAI gjorde GPT-Live-1 allmänt tillgänglig i API:t den 10 september 2026 – alltså inte den 11 september. Lanseringen ger utvecklare ett röstlager för agenter som kan lyssna och tala samtidigt, i stället för att behandla samtal som en strikt kedja av färdiga turer. 116

Skillnaden med full duplex

Många röststyrda agenter bygger på en kedja: tal omvandlas först till text, en språkmodell skapar ett svar och texten omvandlas sedan till tal. GPT-Live-1 positioneras i stället som ett samlat röstlager för den del av interaktionen som måste ske i realtid. 1

Den praktiska skillnaden handlar om turtagning. Enligt OpenAI kan GPT-Live-1 lyssna och tala parallellt, uppfatta pauser och tempoväxlingar samt avgöra om den ska svara eller fortsätta lyssna. Tanken är att avbrott och korta bekräftelser – så kallade backchannels, som ett ”mm” eller ”just det” – ska fungera som naturliga delar av samtalet i stället för som fel. 1915

Det innebär inte att röstmodellen måste lösa varje uppgift på egen hand. Ett samtal med GPT-Live-1 kan fortsätta medan en backendmodell eller agent gör djupare resonemang eller använder verktyg. OpenAI stöder både Responses-delegering till en OpenAI-modell och klientdelegering till utvecklarens egen backend. 116

Röst i fronten, resonemang i bakgrunden

GPT-Live-1 fungerar som det samtalande röstlagret närmast användaren. En backend kan i sin tur hantera exempelvis mer avancerade resonemang, informationshämtning, arbetsflöden och verktygsanrop. I OpenAI:s produktinformation nämns GPT-6 Astra som ett alternativ för svårare sök- och resonemangsuppgifter, medan API-utvecklare också kan ansluta en egen backend via klientdelegering. 416

För den som bygger en agent innebär uppdelningen i praktiken följande:

• GPT-Live-1 sköter själva samtalet: lyssnande, tal och tajmning.
• En backendmodell eller agent kan ta hand om svåra beslut och externa verktyg.
• Agentens totala kostnad och beteende avgörs av båda lagren, inte enbart av röstmodellen. 1618

OpenAI lyfter också fram förbättrad följsamhet till instruktioner, anpassade röster och stöd för telefoni i API-lanseringen. 13

Pris: 0,05 dollar per minut – plus backend

En röstsession med GPT-Live-1 kostar 0,05 dollar per minut, vilket motsvarar omkring 5 cent per minut. Debiteringen sker per sekund, utan avrundning upp till nästa hela minut. 1618

Priset gäller dock röstsessionen, inte nödvändigtvis hela röstagenten. Användning av backendmodell och verktyg debiteras separat. I en produktionskalkyl behöver man därför räkna både på samtalstiden och på arbetet som delegeras i bakgrunden. 1618

Benchmarkpåståenden – och vad underlaget faktiskt bekräftar

OpenAI uppger att GPT-Live-1 förbättrades med 30 procentenheter på bolagets Full Duplex Bench jämfört med GPT-Realtime-2.1. Bolaget uppger också att GPT-Live-1 tillsammans med GPT-6 Astra, med medelhög resonemangsnivå, placerade sig etta på Tau3. 1

Däremot styrker det tillgängliga underlaget inte oberoende de exakta siffror som nämns i frågan för turtagningslatens eller den detaljerade jämförelsen av passfrekvens på Tau3. De specifika talen bör därför inte betraktas som verifierade här.

Vad tidiga användare rapporterar

OpenAI beskriver flera tidiga produktionsinstallationer som exempel på värdet av mer naturlig turtagning:

• Yelp uppger att turtagning och precision förbättrades efter att GPT-Live-1 integrerats i Yelp Host och Hatch. För samtal om bordsbokning och matbeställning ska användarna ha talat i mer kompletta och naturliga yttranden, samtidigt som samtalshanteringen förbättrades. 1
• Speak uppger att språkinlärare kunde få mer betänketid innan en handledare svarade. Det ska ha minskat avbrotten med nästan 80 procent jämfört med företagets tidigare turbaserade system. 1
• Ett vårdföretag uppger att övergången från en kaskadlösning förenklade kodbasen med 80 procent och tog bort 23 000 rader kod, samtidigt som den möjliggjorde mer naturliga patientdialoger i realtid. 1

Detta är resultat som företagen själva har rapporterat, inte oberoende utvärderingar. De bör därför ses som exempel från verkliga installationer, inte som generella garantier för resultat.

Uppgifter som inte är bekräftade i underlaget

Det tillgängliga materialet styrker inte påståenden om företagsåtkomst via en hanterad produkt med namnet ”Presence”. Det fastställer heller inte någon specifik utökning av accenter, dialekter eller språk i samband med just denna API-lansering. Sådana uppgifter bör kontrolleras direkt i aktuell dokumentation från OpenAI innan de används i upphandling eller implementering.

Slutsats

Den stora förändringen med GPT-Live-1 är arkitekturen: API:t får ett röstlager i full duplex, så att agenten kan fortsätta lyssna och tala på ett mer samtalslikt sätt medan ett separat system sköter långsammare resonemang eller verktygsanrop. Priset på 0,05 dollar per minut för röstlagret, debiterat per sekund, gör kostnaden för själva samtalstiden tydlig. Den fullständiga kostnaden beror däremot fortsatt på vald backendmodell och eventuella verktyg. 11618