GPT‑Live‑1 มาใน OpenAI API แล้ว เปลี่ยนเสียงสนทนาให้โต้ตอบได้แบบไม่ต้องรอผลัด

ประกาศของ OpenAI ใน API ลงวันที่ 10 กันยายน 2026 ไม่ใช่วันที่ 11 กันยายน โดยบริษัทเปิดตัว GPT‑Live‑1 แบบใช้งานทั่วไป (generally available) ในฐานะเลเยอร์เสียงแบบฟูลดูเพล็กซ์ สำหรับสร้างเอเจนต์เสียงที่สนทนาเป็นธรรมชาติกว่าเดิม โมเดลสามารถฟังและพูดไปพร้อมกัน แทนการรอให้จบเป็นรอบ ๆ ของบทสนทนา 3

ต่างจากระบบเสียงแบบเดิมอย่างไร

ระบบเอเจนต์เสียงทั่วไปมักทำงานต่อกันเป็นลำดับ: แปลงเสียงเป็นข้อความ (speech-to-text) → ให้โมเดลภาษาประมวลผล → แปลงข้อความกลับเป็นเสียง (text-to-speech) ทุกจุดส่งต่องานเพิ่มความหน่วง และอาจทำให้จังหวะ น้ำเสียง หรือบริบทในการคุยหลุดหายไปได้

GPT‑Live‑1 รวมการฟังและการพูดไว้ในโมเดลเสียงเดียว จึงออกแบบมาให้ตอบสนองต่อการพูดแทรกและคำรับสั้น ๆ ระหว่างคุยได้แบบทันที ขณะเดียวกัน โมเดลแบ็กเอนด์สามารถทำงานที่ใช้เหตุผลเชิงลึกหรือเรียกใช้เครื่องมือต่าง ๆ อยู่เบื้องหลัง 3

นักพัฒนาสามารถเลือกมอบงานส่วนแบ็กเอนด์ให้โมเดลของ OpenAI เช่น GPT‑6 Astra หรือใช้โมเดลจากผู้ให้บริการรายอื่นได้ เพื่อปรับสมดุลระหว่างความสามารถด้านเหตุผล ความเร็ว และต้นทุนให้เหมาะกับแต่ละงาน 3

OpenAI ยังระบุความสามารถในการควบคุมน้ำเสียง ความเร็ว และสไตล์การสนทนาด้วย system prompt รวมถึงการนำไปใช้กับระบบโทรศัพท์ การจัดการเสียงรบกวนและความเงียบ ความเสถียรของเซสชันยาวขึ้น ทรานสคริปต์หรือข้อความคำตอบ การรู้จำอักขระและตัวเลข และการให้น้ำหนักคำสำคัญเป็นพิเศษ 3

ราคาและการคิดค่าบริการ

เซสชันเสียงของ GPT‑Live‑1 มีราคา 0.05 ดอลลาร์สหรัฐต่อนาที และคิดค่าบริการตามจำนวนวินาทีจริง โดยไม่ปัดขึ้นเป็นนาทีเต็ม 2 อย่างไรก็ดี ค่าการใช้งานโมเดลแบ็กเอนด์และเครื่องมือจะถูกคิดแยกออกไป ดังนั้นต้นทุนรวมของแต่ละเซสชันจะขึ้นกับทั้งเลเยอร์เสียง โมเดลที่เลือก และเครื่องมือที่เรียกใช้ 2

ข้อมูลที่ให้มายังไม่เพียงพอจะยืนยันรายละเอียดการเข้าถึงระดับองค์กรแบบจัดการที่เรียกว่า “Presence” หรือข้ออ้างเรื่องการเพิ่มสำเนียง ภาษาถิ่น และภาษาแบบเฉพาะเจาะจง

ผลทดสอบที่ OpenAI รายงาน

OpenAI ระบุว่า GPT‑Live‑1 ทำคะแนน Full Duplex Bench ดีขึ้น 30 จุดเปอร์เซ็นต์เมื่อเทียบกับ GPT‑Realtime‑2.1 และเมื่อจับคู่ GPT‑Live‑1 กับ GPT‑6 Astra ที่ตั้งค่าความพยายามด้านเหตุผลระดับกลาง ระบบดังกล่าวขึ้นอันดับหนึ่งบน Tau3 3

อย่างไรก็ตาม หลักฐานที่ให้มาไม่ได้แสดงตัวเลขเวลาแฝง 1.41 เทียบกับ 0.798 วินาที หรืออัตราผ่าน Tau3 ที่ 86.2% เทียบกับ 45.7% โดยตรง จึงยังไม่ควรถือว่าตัวเลขเฉพาะเหล่านี้ยืนยันได้จากข้อมูลชุดนี้

เสียงสะท้อนจากผู้ใช้งานระยะแรก

Yelp ระบุว่าการนำ GPT‑Live‑1 ไปใช้กับ Yelp Host และ Hatch ช่วยให้การผลัดกันพูดและความแม่นยำดีขึ้นกว่าสถาปัตยกรรมเสียงเดิม สำหรับสายจองโต๊ะและสั่งอาหาร บริษัทบอกว่าอัตราการจัดการสายดีขึ้น และผู้โทรพูดเป็นประโยคที่สมบูรณ์และเป็นธรรมชาติมากขึ้น 3

Speak รายงานว่าโมเดลทำให้ผู้เรียนภาษามีเวลาคิดก่อนติวเตอร์ตอบมากขึ้น ลดการขัดจังหวะลงเกือบ 80% เมื่อเทียบกับระบบเดิมที่ทำงานเป็นรอบผลัดกันพูด 3

ส่วนผู้ร่วมก่อตั้งและ CTO ของบริษัทด้านสุขภาพรายหนึ่งกล่าวว่า การเปลี่ยนจากระบบแบบต่อเป็นทอดช่วยให้โค้ดเบสเรียบง่ายขึ้น 80% และตัดโค้ดออกได้ 23,000 บรรทัด ส่งผลให้สนทนากับผู้ป่วยแบบเรียลไทม์ได้เป็นธรรมชาติมากขึ้น 3