GPT-Live-1 เข้า API แล้ว: โมเดลเสียงที่ฟังและพูดได้พร้อมกัน

OpenAI ประกาศเปิดให้ใช้ GPT-Live-1 ผ่าน API แบบทั่วไปเมื่อวันที่ 10 กันยายน 2026 ไม่ใช่วันที่ 11 กันยายน โมเดลนี้เป็นชั้นสนทนาด้วยเสียงสำหรับนักพัฒนาที่ต้องการสร้างเอเจนต์ซึ่งฟังและพูดได้พร้อมกัน แทนการทำงานแบบผลัดกันพูดเป็นรอบที่ตายตัว 116

Full-duplex ต่างจากระบบเสียงเดิมอย่างไร

ระบบเอเจนต์เสียงจำนวนมากทำงานเป็นทอด ๆ คือ แปลงเสียงเป็นข้อความ (speech-to-text) ส่งข้อความให้โมเดลภาษา แล้วแปลงคำตอบกลับเป็นเสียง (text-to-speech) แต่ GPT-Live-1 ถูกวางตำแหน่งให้เป็นชั้นเสียงแบบรวมศูนย์สำหรับการสนทนาแบบเรียลไทม์ 1

ความต่างหลักอยู่ที่การจัดจังหวะผลัดกันพูด OpenAI ระบุว่า GPT-Live-1 ฟังและพูดได้ในเวลาเดียวกัน ติดตามช่วงหยุดพูดและการเปลี่ยนความเร็วของบทสนทนาได้ รวมถึงตัดสินใจได้ว่าควรตอบหรือควรรอฟังต่อ การออกแบบนี้มีเป้าหมายให้การพูดแทรกและคำตอบรับสั้น ๆ ระหว่างฟัง เช่น “ครับ” หรือ “อือ” ซึ่งเรียกว่า backchannel ดูเป็นธรรมชาติมากขึ้น ไม่ใช่ความผิดพลาดของระบบ 1915

อย่างไรก็ดี โมเดลเสียงไม่จำเป็นต้องทำทุกงานด้วยตัวเอง บทสนทนาผ่าน GPT-Live-1 สามารถดำเนินต่อไปในขณะที่โมเดลหรือเอเจนต์ฝั่งแบ็กเอนด์ทำงานคิดวิเคราะห์เชิงลึกหรือเรียกใช้เครื่องมือ OpenAI รองรับทั้ง Responses delegation สำหรับใช้โมเดลของ OpenAI และ client delegation เพื่อเชื่อมต่อแบ็กเอนด์ที่นักพัฒนาสร้างเอง 116

แบ่งบทบาทระหว่างชั้นเสียงกับแบ็กเอนด์

GPT-Live-1 ทำหน้าที่เป็นส่วนหน้าของประสบการณ์สนทนาด้วยเสียง ส่วนแบ็กเอนด์อาจรับผิดชอบงานที่ใช้เหตุผลมากขึ้น การค้นคืนข้อมูล การรันเวิร์กโฟลว์ หรือการเรียกเครื่องมือ บันทึกผลิตภัณฑ์ของ OpenAI ระบุว่า GPT-6 Astra เป็นตัวเลือกหนึ่งสำหรับงานค้นหาและการใช้เหตุผลที่ซับซ้อน ขณะที่ผู้พัฒนา API ก็เชื่อมต่อแบ็กเอนด์ของตนเองผ่าน client delegation ได้ 416

สำหรับทีมพัฒนา โครงสร้างนี้หมายความว่า

• GPT-Live-1 ดูแลการโต้ตอบสด ได้แก่ การฟัง การพูด และจังหวะของบทสนทนา
• โมเดลหรือเอเจนต์แบ็กเอนด์ รับงานตัดสินใจที่ซับซ้อนและการใช้เครื่องมือ
• ต้นทุนและพฤติกรรมของเอเจนต์ทั้งระบบ ขึ้นอยู่กับทั้งสองชั้น ไม่ได้ขึ้นกับโมเดลเสียงเพียงอย่างเดียว 1618

OpenAI ยังระบุถึงการทำตามคำสั่งที่ดีขึ้น เสียงแบบกำหนดเองได้ และการรองรับระบบโทรศัพท์สำหรับรุ่น API นี้ 13

ราคา 0.05 ดอลลาร์ต่อนาที แต่ยังมีค่าแบ็กเอนด์

เซสชันเสียง GPT-Live-1 คิดราคา 0.05 ดอลลาร์สหรัฐต่อนาที โดยคำนวณตามจำนวนวินาทีจริง และไม่ปัดขึ้นเป็นนาทีเต็ม 1618

ตัวเลขนี้เป็นค่าชั้นเสียง ไม่ใช่ต้นทุนทั้งหมดของเอเจนต์เสียง การใช้โมเดลแบ็กเอนด์และเครื่องมือจะถูกคิดค่าบริการแยกต่างหาก ดังนั้นการประเมินงบสำหรับใช้งานจริงควรนับทั้งระยะเวลาสนทนา และงานที่ส่งไปให้ระบบด้านหลังประมวลผล 1618

ผลทดสอบที่ OpenAI รายงาน และขอบเขตของหลักฐาน

OpenAI รายงานว่า GPT-Live-1 มีผลลัพธ์บน Full Duplex Bench ดีขึ้น 30 จุดเปอร์เซ็นต์เมื่อเทียบกับ GPT-Realtime-2.1 และการจับคู่ GPT-Live-1 กับ GPT-6 Astra ที่ระดับการใช้เหตุผลปานกลางได้อันดับหนึ่งบน Tau3 1

อย่างไรก็ตาม เอกสารต้นทางที่มีให้ไม่ได้ยืนยันตัวเลขเฉพาะเจาะจงเกี่ยวกับเวลาแฝงในการผลัดกันพูด หรืออัตราการผ่าน Tau3 แบบเปรียบเทียบตามที่ระบุไว้ในคำถามเดิม จึงไม่ควรถือว่าตัวเลขละเอียดเหล่านั้นได้รับการยืนยันจากหลักฐานชุดนี้

สิ่งที่ผู้ใช้งานช่วงแรกรายงาน

OpenAI ยกตัวอย่างการใช้งานจริงช่วงแรกเพื่อสะท้อนคุณค่าของการผลัดกันพูดที่เป็นธรรมชาติมากขึ้น ได้แก่

• Yelp ระบุว่าการนำ GPT-Live-1 ไปใช้กับ Yelp Host และ Hatch ช่วยให้การผลัดกันพูดและความแม่นยำดีขึ้น สำหรับสายโทรเข้าจองโต๊ะและสั่งอาหาร บริษัทระบุว่าผู้โทรพูดเป็นประโยคที่สมบูรณ์และเป็นธรรมชาติมากขึ้น พร้อมผลลัพธ์ด้านการจัดการสายที่ดีขึ้น 1
• Speak ระบุว่าผู้เรียนสามารถใช้เวลาคิดก่อนให้ครูสอนตอบได้มากขึ้น และการพูดแทรกลดลงเกือบ 80% เมื่อเทียบกับระบบเดิมที่ทำงานแบบผลัดกันพูด 1
• บริษัทด้านสุขภาพแห่งหนึ่ง ระบุว่าการเลิกใช้สถาปัตยกรรมแบบต่อเป็นทอดช่วยลดความซับซ้อนของโค้ดเบสลง 80% ตัดโค้ดออกได้ 23,000 บรรทัด และทำให้สนทนากับผู้ป่วยแบบเรียลไทม์ได้เป็นธรรมชาติมากขึ้น 1

ผลลัพธ์เหล่านี้เป็นข้อมูลที่แต่ละบริษัทรายงานเอง ไม่ใช่การประเมินอิสระ จึงควรใช้เป็นตัวอย่างการนำไปใช้งาน มากกว่าจะมองเป็นการรับประกันผลลัพธ์สำหรับทุกกรณี

ประเด็นที่ยังยืนยันไม่ได้จากข้อมูลชุดนี้

หลักฐานที่มีไม่รองรับข้ออ้างเรื่องการเข้าถึงสำหรับองค์กรผ่านผลิตภัณฑ์แบบจัดการชื่อ “Presence” และไม่ได้ยืนยันการขยายการรองรับสำเนียง ภาษาถิ่น หรือภาษาอย่างเฉพาะเจาะจงในการเปิดตัว API ครั้งนี้ องค์กรที่ต้องใช้ข้อมูลดังกล่าวในการจัดซื้อหรือออกแบบระบบควรตรวจสอบเอกสาร OpenAI ฉบับปัจจุบันโดยตรงก่อน

สรุป

สาระสำคัญของ GPT-Live-1 คือการแยกสถาปัตยกรรมเป็นชั้นเสียงแบบ full-duplex ที่สนทนาอย่างต่อเนื่องได้ ขณะที่อีกระบบหนึ่งจัดการงานคิดวิเคราะห์ที่ช้ากว่าหรือเรียกใช้เครื่องมือ ราคา 0.05 ดอลลาร์ต่อนาทีสำหรับชั้นเสียง—คิดตามวินาที—ทำให้ต้นทุนเวลาสนทนาคาดการณ์ได้ตรงไปตรงมา แต่ต้นทุนรวมยังขึ้นอยู่กับโมเดลแบ็กเอนด์และเครื่องมือที่เลือกใช้ 11618