GPT-Live-1: Aynı Anda Dinleyip Konuşan Sesli Yapay Zekâ API’si

GPT-Live-1, OpenAI’nin sesli uygulama geliştiren ekipler için sunduğu, konuşmayı daha doğal hâle getirmeyi amaçlayan bir API modelidir. 10 Eylül 2026’dan itibaren API’de erişime açılan modelin ön uç ses katmanı ücreti dakikada 0,05 dolar. Ancak muhakeme modeli, araç çağrıları, telefon altyapısı ve bağlanan diğer hizmetler bu fiyata dâhil değil; toplam maliyet, kurulan sistemin tamamına göre değişiyor. 35

“Çift yönlü” ses neyi değiştiriyor?

Klasik sesli ajanlar çoğunlukla üç aşamalı bir zincirle çalışır: konuşma önce metne dönüştürülür (speech-to-text), dil modeli metin yanıtı üretir, ardından bu yanıt yeniden sese çevrilir (text-to-speech). Bu yöntem iş görebilir; fakat her aşama ayrı bir aktarımdır. Duraksamalar, söz kesmeler ve kullanıcının fikrini değiştirmesi gibi konuşmanın doğal akışını uygulamanın ayrıca koordine etmesi gerekir. 3

GPT-Live-1 ise gelen ve üretilen sesi tek bir ses modeli içinde ele alacak şekilde konumlandırılıyor. Tam çift yönlü (full-duplex) yapı sayesinde model konuşurken dinlemeyi sürdürebiliyor. Böylece kullanıcının araya girmesine veya kısa bir “evet” onayına tepki vermesi; her ses, sessizlik ya da çevredeki konuşmayı zorunlu olarak yeni bir konuşma turu saymaması hedefleniyor. 3

Buradaki fark yalnızca daha hızlı ses üretmek değil. Asıl hedef, konuşma kontrolü: kişinin hâlâ düşündüğünü, söze girdiğini ya da kısa bir onay verdiğini anlayabilmek. OpenAI, GPT-Live-1’i akıcı kesinti yönetimiyle doğal ve ifade gücü yüksek sesli konuşmalar için önde gelen modeli olarak tanımlıyor. 23

Ses katmanı ayrı, muhakeme ayrı

GPT-Live-1’in her iş mantığını tek başına yürütmesi gerekmiyor. Model, gerçek zamanlı sesli diyaloğu sürdürürken daha derin muhakemeyi, araç çağrılarını veya işlemleri geliştiricinin seçtiği ayrı bir arka uç modele ve ajan çerçevesine devredebiliyor. 3

Bu ayrım ekiplerin farklı görevler için farklı maliyet ve yetenek dengeleri kurmasına olanak tanıyor:

• Randevu planlama ya da sipariş durumu sorgulama gibi rutin işler için daha hızlı ve düşük maliyetli bir arka uç model kullanılabilir.
• Daha karmaşık talepler, GPT-6 Astra gibi daha güçlü bir modele yönlendirilebilir.
• Mevcut teknoloji yığınına daha uygunsa desteklenen üçüncü taraf arka uç modelleri bağlanabilir. 3

Kısacası GPT-Live-1 canlı sesli etkileşimi yönetirken, arka uç; muhakeme, kurumsal veri erişimi ve işlemleri üstlenir. Bu nedenle dakikalık ses ücreti, bir sesli ajanın tüm işletme maliyetini göstermez. 35

API’de sunulan özellikler ve kullanım alanları

OpenAI’ye göre geliştiriciler sistem istemiyle modelin tonunu, konuşma hızını ve konuşma tarzını yönlendirebiliyor. GPT-Live-1 ayrıca transkript ve yanıt metni sağlıyor; harf-rakam dizilerini anlama, anahtar kelime yönlendirmesi ve açık konuşma turu sınırına ihtiyaç duyan ürünler için konuşma turu algılama özelliklerini destekliyor. 3

Model; uzun oturumlar ve telefon tabanlı ajanlar için tasarlanmış durumda. Müşteri hizmetleri ile rezervasyon süreçleri bu kullanım alanları arasında gösteriliyor. OpenAI, modelin sessizlik ve arka plan gürültüsünü, her iç adımını seslendirmeden yönetebildiğini belirtiyor. Bu yaklaşım, özellikle gerçek telefon görüşmelerinin kontrolsüz ortamlarında önem taşıyor. 3

Sağlanan belgelerde desteklenen dillerin kesin bir listesi ile belirli aksan ve lehçelere yönelik ayrıntılı geliştirici kontrolleri yer almıyor. Bu nedenle, üretime geçişte kritik olan bu ayrıntıların güncel API dokümantasyonundan doğrulanması gerekir.

OpenAI’nin bildirdiği benchmark sonuçları

OpenAI, GPT-Live-1’in konuşma sırası alma, duraksamalar, kesintiler, kısa onaylar ve arka plan konuşmaları gibi etkileşimli ses davranışlarını ölçen Full Duplex Bench değerlendirmesinde GPT-Realtime-2.1’e göre 30 yüzde puan daha iyi sonuç verdiğini bildiriyor. 3

Şirket ayrıca GPT-Live-1’in, orta düzey muhakeme ayarında GPT-6 Astra ile eşleştirildiğinde uçtan uca sesli ajan görevlerini ölçen Tau3 değerlendirmesinde birinci olduğunu söylüyor. Tau3’ün müşteri hizmetleri bölümü; havayolu, perakende ve telekomünikasyon alanlarındaki sözlü görevleri kapsıyor. 3

Bazı ikincil haberlerde konuşma sırası gecikmesi ve Tau3 puanları için net rakamlar yer alsa da sağlanan birincil kaynak alıntılarında bu sayılar bulunmuyor. Bu nedenle güvenli çıkarım, OpenAI’nin etkileşimli davranışlarda anlamlı bir artış ve GPT-Live-1–Astra yapılandırması için Tau3 liderliği bildirdiği; her kurulumun aynı sonuçları vereceğinin söylenemeyeceğidir. 37

İlk kullanıcılar nasıl yararlanıyor?

OpenAI, modelin ilk uygulamalarından bazılarını şöyle sıralıyor:

• Yelp, gelen restoran aramalarında rezervasyon ve yemek siparişi gibi işlemler için Yelp Host içinde GPT-Live-1 kullanıyor. Yelp, önceki geleneksel ses mimarisine kıyasla konuşma sırası yönetimi ve doğruluğun iyileştiğini; çağrı karşılama oranlarının arttığını ve arayanların daha eksiksiz yanıtlar verdiğini belirtiyor. 3
• Speak, modeli dil öğrenme öğretmeninde kullanıyor. OpenAI’nin aktardığına göre öğrenciler cevaplarını kurmak için daha uzun süre düşünebiliyor; önceki tur bazlı sisteme kıyasla kesintiler neredeyse %80 azaldı. 34
• Adı açıklanmayan bir sağlık hizmeti şirketi, kademeli mimariden ayrılmanın kod tabanını %80 küçülttüğünü ve 23.000 satır kodu ortadan kaldırdığını bildirdi. Şirket, bunun randevu oluşturmadan bakım yönlendirmesine kadar uzanan hasta görüşmelerini daha doğal hâle getirdiğini söylüyor. Bu, bağımsız denetimden geçmiş bir sonuç değil, şirketin kendi beyanıdır. 3

Bu örneklerin ortak noktası, kullanıcının tereddüt edebildiği, cümlesini düzeltebildiği, yanıt sırasında kısa bir onay verebildiği veya konuşmayı baştan başlatmak istemeden ajanın sözünü kesebildiği senaryolar.

Fiyatlandırma ve OpenAI Presence

GPT-Live-1’in dakikada 0,05 dolarlık fiyatı yalnızca ön uç ses katmanı için geçerli. Tercih edilen arka uç model, ajan altyapısı ve araçlar ayrı ücretlendirildiğinden, maliyet hesabı kullanım senaryosuna göre yapılmalı. 35

OpenAI, GPT-Live-1 ile gerçek zamanlı ses etkileşimi kurmanın başka bir yolu olarak OpenAI Presence çözümünü de anıyor. Ancak sağlanan materyal; Presence’ın kurumsal erişim koşulları, ticari şartları, barındırma yapısı veya başvuru süreci hakkında ayrıntı vermiyor. Bu bilgilerin API duyurusundan tek başına çıkarılmaması gerekir. 3

Ekipler açısından temel değerlendirme sorusu yalnızca dakika başı ücret değil: Daha pürüzsüz konuşma sırası yönetimi iş akışına ne kadar değer katıyor ve gerekli güvenilirliği, kabul edilebilir toplam maliyetle hangi arka uç model ve araç kombinasyonu sağlıyor?