GPT-Live-1: API เสียงที่ฟังและพูดพร้อมกันของ OpenAI

GPT-Live-1 คือโมเดลเสียงสำหรับนักพัฒนาของ OpenAI ที่มุ่งให้การสนทนาด้วยเสียงมีลักษณะใกล้เคียงการคุยสดมากกว่าการผลัดกันพูดเป็นรอบ ๆ โมเดลเปิดให้ใช้งานผ่าน API เมื่อวันที่ 10 กันยายน 2026 โดยคิดราคา 0.05 ดอลลาร์ต่อนาที สำหรับชั้นเสียงฝั่งหน้าบ้าน ส่วนโมเดลสำหรับการใช้เหตุผล เครื่องมือ และโครงสร้างพื้นฐานที่เชื่อมต่ออยู่ด้านหลัง จะมีค่าใช้จ่ายแยกต่างหาก 35

ฟูลดูเพล็กซ์ต่างจากระบบเสียงทั่วไปอย่างไร

ระบบเอเจนต์เสียงจำนวนมากใช้สถาปัตยกรรมแบบต่อขั้น: แปลงเสียงเป็นข้อความ (speech-to-text หรือ STT) ให้โมเดลภาษาประมวลผลข้อความ แล้วแปลงคำตอบกลับเป็นเสียง (text-to-speech หรือ TTS) วิธีนี้ใช้งานได้ดี แต่ทุกขั้นคือจุดส่งต่องานที่แอปต้องจัดการเอง ทั้งจังหวะเว้นวรรค การเปลี่ยนใจระหว่างพูด และการพูดแทรก 3

GPT-Live-1 ถูกวางตำแหน่งให้เป็นโมเดลเสียงเดียวที่ประมวลผลทั้งเสียงขาเข้าและขาออก โดยการทำงานแบบ ฟูลดูเพล็กซ์ หมายถึงโมเดลยังฟังได้ในระหว่างที่กำลังสร้างเสียงพูด จึงตั้งใจให้ตอบสนองต่อการพูดแทรกหรือคำรับสั้น ๆ ได้ โดยไม่ตีความทุกเสียง ทุกช่วงเงียบ หรือบทสนทนาใกล้เคียงว่าเป็นเทิร์นใหม่ที่ต้องตอบทันที 3

ประเด็นจึงไม่ใช่เพียงสร้างเสียงได้เร็วขึ้น แต่คือการควบคุมจังหวะการสนทนา เช่น แยกให้ออกว่าผู้ใช้กำลังคิดคำตอบอยู่ กำลังขัดจังหวะ หรือแค่พูดว่า “ครับ/ค่ะ” เพื่อรับรู้สิ่งที่ได้ยิน ไม่ได้ต้องการคำตอบชุดใหม่ OpenAI ระบุว่า GPT-Live-1 เป็นตัวเลือกระดับสูงสำหรับบทสนทนาเสียงที่เป็นธรรมชาติ มีอารมณ์การพูด และจัดการการขัดจังหวะได้ราบรื่น 23

ให้โมเดลเสียงดูแลบทสนทนา แล้วส่งงานคิดหนักไปยังแบ็กเอนด์

GPT-Live-1 ไม่จำเป็นต้องรับภาระตรรกะทางธุรกิจทุกส่วนด้วยตัวเอง โมเดลสามารถดูแลการสนทนาแบบเรียลไทม์ ขณะส่งต่องานที่ต้องใช้การวิเคราะห์ลึก การเรียกเครื่องมือ หรือการลงมือทำ ไปยังโมเดลแบ็กเอนด์และเฟรมเวิร์กเอเจนต์ที่เลือกแยกต่างหากได้ 3

แนวทางนี้เปิดทางเลือกในการออกแบบระบบ เช่น

• ใช้แบ็กเอนด์ที่เร็วและต้นทุนต่ำกว่าสำหรับงานประจำ เช่น นัดหมายหรือตรวจสอบสถานะคำสั่งซื้อ
• ส่งคำขอซับซ้อนไปยังโมเดลที่มีความสามารถสูงกว่า เช่น GPT-6 Astra
• เชื่อมต่อโมเดลแบ็กเอนด์ของผู้ให้บริการรายอื่นที่รองรับ หากสอดคล้องกับระบบเดิมขององค์กร 3

ดังนั้น ภาพรวมคือ GPT-Live-1 ดูแลปฏิสัมพันธ์ด้วยเสียงแบบสด ส่วนแบ็กเอนด์ให้เหตุผล เข้าถึงข้อมูลธุรกิจ และดำเนินการต่าง ๆ ข้อควรพิจารณาคือราคาเสียงที่ประกาศไม่ได้เท่ากับต้นทุนรวมของเอเจนต์ เพราะค่าอนุมานของแบ็กเอนด์ ค่าเครื่องมือ ระบบโทรศัพท์ และบริการที่เกี่ยวข้องอาจเพิ่มเข้ามา 35

ความสามารถของ API และการนำไปใช้งาน

OpenAI ระบุว่านักพัฒนากำหนดโทน จังหวะ และสไตล์การสนทนาผ่าน system prompt ได้ GPT-Live-1 ยังให้ทรานสคริปต์และข้อความคำตอบ รองรับการเข้าใจข้อความตัวอักษรผสมตัวเลขและการให้น้ำหนักคำสำคัญ (keyword biasing) รวมถึงมีระบบตรวจจับเทิร์นสำหรับผลิตภัณฑ์ที่ยังต้องกำหนดขอบเขตการพูดอย่างชัดเจน 3

โมเดลนี้ออกแบบมาสำหรับเซสชันที่ยาวขึ้นและเอเจนต์ผ่านโทรศัพท์ เช่น งานบริการลูกค้าหรือการรับจอง OpenAI ระบุว่าโมเดลสามารถรับมือกับความเงียบและเสียงรบกวนรอบข้างโดยไม่บรรยายขั้นตอนคิดภายในออกมาทุกช่วง ซึ่งเป็นพฤติกรรมที่สำคัญกับสายโทรศัพท์และสภาพแวดล้อมที่ควบคุมไม่ได้ 3

อย่างไรก็ดี เอกสารที่ให้มายังไม่ยืนยันรายชื่อภาษาที่รองรับอย่างเป็นทางการ หรือรายละเอียดการควบคุมสำเนียงและภาษาถิ่นแบบเฉพาะเจาะจง นักพัฒนาจึงควรตรวจสอบเอกสาร API เวอร์ชันล่าสุดก่อนนำข้อมูลเหล่านี้ไปตั้งเป็นเงื่อนไขในการใช้งานจริง

ผลทดสอบที่ OpenAI รายงาน

OpenAI รายงานว่า GPT-Live-1 มีผลประเมินบน Full Duplex Bench ดีกว่า GPT-Realtime-2.1 อยู่ 30 จุดเปอร์เซ็นต์ การประเมินนี้เน้นพฤติกรรมในการโต้ตอบด้วยเสียง เช่น การผลัดกันพูด การเว้นจังหวะ การขัดจังหวะ คำตอบรับสั้น ๆ และเสียงพูดพื้นหลัง 3

เมื่อจับคู่กับ GPT-6 Astra โดยตั้งระดับการใช้เหตุผลไว้ที่ปานกลาง OpenAI ยังรายงานว่า GPT-Live-1 ได้อันดับ 1 บน Tau3 ซึ่งเป็นเบนช์มาร์กแบบครบกระบวนการสำหรับวัดความสามารถของเอเจนต์เสียง โดยส่วนงานบริการลูกค้าครอบคลุมโจทย์เสียงในธุรกิจสายการบิน ค้าปลีก และโทรคมนาคม 3

สื่อบางแห่งรายงานตัวเลขเจาะจงของความหน่วงในการผลัดกันพูดและคะแนน Tau3 แต่ข้อมูลจากแหล่งหลักที่มีอยู่ไม่ได้ระบุตัวเลขดังกล่าว ข้อสรุปที่ระมัดระวังคือ OpenAI รายงานการพัฒนาที่มากในด้านพฤติกรรมการโต้ตอบ และผลอันดับหนึ่งของการตั้งค่าที่ใช้ GPT-Live-1 คู่ GPT-6 Astra ไม่ใช่การรับประกันว่าทุกระบบที่นำไปใช้จะทำซ้ำตัวเลขเบนช์มาร์กเดียวกันได้ 37

ตัวอย่างการใช้งานจากผู้เริ่มนำไปใช้

OpenAI ยกตัวอย่างการใช้งานเอเจนต์เสียงระยะแรกหลายกรณี ได้แก่

• Yelp ใช้ GPT-Live-1 ใน Yelp Host สำหรับรับสายเข้าร้านอาหาร เช่น การจองโต๊ะและสั่งอาหาร Yelp ระบุว่าระบบช่วยให้การผลัดกันพูดและความแม่นยำดีขึ้นจากสถาปัตยกรรมเสียงเดิม รวมถึงอัตราการจัดการสายดีขึ้น และผู้โทรให้ข้อมูลได้ครบถ้วนกว่าเดิม 3
• Speak ใช้โมเดลในติวเตอร์เรียนภาษา OpenAI รายงานว่าผู้เรียนมีเวลาคิดเพื่อเรียบเรียงคำตอบได้นานขึ้น และจำนวนการขัดจังหวะลดลงเกือบ 80% เมื่อเทียบกับระบบเดิมที่ทำงานเป็นรอบ 34
• บริษัทด้านสุขภาพที่ไม่เปิดเผยชื่อ ระบุว่าการเลิกใช้สถาปัตยกรรมแบบต่อขั้นช่วยลดขนาดโค้ดเบสลง 80% หรือตัดโค้ดออก 23,000 บรรทัด ส่งผลให้การสนทนากับผู้ป่วยแบบเรียลไทม์ ตั้งแต่การจองนัดจนถึงการนำทางบริการดูแลรักษา เป็นธรรมชาติมากขึ้น ตัวเลขนี้เป็นผลที่บริษัทรายงานเอง ไม่ใช่ผลตรวจสอบอิสระ 3

กรณีเหล่านี้สะท้อนจุดที่ฟูลดูเพล็กซ์มีประโยชน์มากเป็นพิเศษ: ผู้โทรลังเล แก้คำพูดระหว่างทาง ตอบรับระหว่างเอเจนต์กำลังพูด หรือขัดจังหวะโดยไม่ได้ต้องการเริ่มบทสนทนาใหม่ทั้งหมด

ราคา และ OpenAI Presence

GPT-Live-1 คิดราคา 0.05 ดอลลาร์ต่อนาทีสำหรับชั้นเสียงฝั่งหน้าบ้าน นักพัฒนาสามารถเลือกโมเดลแบ็กเอนด์และระบบเอเจนต์ของตนเองได้ แต่ตัวเลือกเหล่านี้มีผลต่อต้นทุนรวม เพราะคิดค่าบริการแยกจากชั้นเสียง 35

OpenAI ยังระบุว่า OpenAI Presence เป็นอีกแนวทางในการสร้างเวิร์กโฟลว์เสียงโดยใช้ GPT-Live-1 สำหรับปฏิสัมพันธ์เสียงแบบเรียลไทม์ อย่างไรก็ตาม ข้อมูลที่ให้มายังไม่ได้อธิบายคุณสมบัติการเข้าถึงสำหรับองค์กร เงื่อนไขเชิงพาณิชย์ รูปแบบโฮสต์ หรือขั้นตอนการขอใช้ Presence จึงไม่ควรสรุปรายละเอียดเหล่านี้จากประกาศ API เพียงอย่างเดียว 3

สำหรับทีมที่กำลังประเมินโมเดล คำถามสำคัญจึงกว้างกว่าอัตราค่าใช้จ่ายต่อนาที: การผลัดกันพูดที่ลื่นไหลขึ้นสร้างมูลค่าให้เวิร์กโฟลว์มากเพียงใด และควรเลือกโมเดลแบ็กเอนด์กับเส้นทางเครื่องมือแบบใด จึงจะได้ความน่าเชื่อถือในต้นทุนรวมที่ยอมรับได้