GPT-Live-1: як працює повнодуплексний голосовий API OpenAI

GPT-Live-1 — це голосова модель OpenAI для розробників, розрахована на діалоги, що звучать ближче до живої розмови, а не до черги окремих голосових команд. В API вона стала доступною 10 вересня 2026 року. Вартість голосового фронтенду — $0,05 за хвилину; модель для міркувань, виклики інструментів та інша інфраструктура оплачуються окремо. 35

Що змінює повнодуплексний режим

Типовий голосовий агент працює як конвеєр: розпізнавання мовлення перетворює аудіо на текст, мовна модель формує текстову відповідь, а синтез мовлення озвучує її. Такий підхід може бути ефективним, але кожен перехід між компонентами потребує окремого керування паузами, зміною наміру користувача та перебиваннями. 3

GPT-Live-1 позиціонується як єдина голосова модель, що працює одночасно з вхідним і вихідним аудіо. Тобто вона може продовжувати слухати, поки говорить. Це має дозволити їй реагувати на перебивання або коротке «так» без сприйняття кожного звуку, мовчання чи розмови поруч як обов’язкового нового ходу діалогу. 3

Суть не лише у швидшому озвучуванні. Йдеться про керування розмовою: розпізнати, чи людина ще формулює думку, чи намагається перебити, або ж просто підтверджує, що слухає. OpenAI називає GPT-Live-1 своєю флагманською моделлю для природних, виразних голосових розмов із плавною обробкою перебивань. 23

Голосовий шар і окремий бекенд для складних задач

GPT-Live-1 не мусить самостійно виконувати всю бізнес-логіку. Він може підтримувати розмову в реальному часі, передаючи глибше міркування, виклики інструментів або конкретні дії окремо вибраній бекенд-моделі та агентському фреймворку. 3

Для розробників це означає кілька практичних сценаріїв:

• для типових операцій на кшталт запису чи перевірки статусу замовлення — швидший і дешевший бекенд;
• для складних запитів — потужніша модель, наприклад GPT-6 Astra;
• за потреби — підтримувані сторонні моделі, якщо вони краще вписуються в наявний технологічний стек. 3

Отже, система складається з двох частин: GPT-Live-1 керує живою голосовою взаємодією, а бекенд відповідає за міркування, доступ до корпоративних даних і виконання дій. Водночас заявлена ціна за хвилину — не повна вартість голосового агента: її збільшать витрати на інференс бекенду, інструменти, телефонію та пов’язані сервіси. 35

Можливості API та сценарії розгортання

За даними OpenAI, розробник може задавати тон, темп і стиль розмови через системний промпт. GPT-Live-1 також формує транскрипти та текст відповідей, підтримує розуміння буквено-цифрових даних і зміщення ваги на ключові слова. Є й функція визначення межі репліки для продуктів, де все ще потрібні чітко відокремлені ходи діалогу. 3

Модель призначена для тривалих сесій і телефонних агентів — зокрема для підтримки клієнтів та бронювань. OpenAI заявляє, що вона може працювати з тишею й фоновим шумом, не озвучуючи кожен внутрішній крок, що важливо для реальних дзвінків і менш контрольованих умов. 3

Надані матеріали не встановлюють остаточний перелік підтримуваних мов і не описують детальні API-керування для конкретних акцентів чи діалектів. Перед запуском у виробництво ці параметри варто перевірити в актуальній документації API.

Які результати в тестах заявляє OpenAI

OpenAI повідомляє, що GPT-Live-1 перевершила GPT-Realtime-2.1 на 30 відсоткових пунктів у Full Duplex Bench — оцінюванні інтерактивної голосової поведінки, зокрема чергування реплік, пауз, перебивань, коротких підтверджень і фонового мовлення. 3

У парі з GPT-6 Astra із середнім рівнем зусиль для міркувань GPT-Live-1, за даними OpenAI, посіла перше місце в Tau3 — наскрізному бенчмарку голосових агентів. Його блок для клієнтського сервісу охоплює усні завдання у сферах авіаперевезень, роздрібної торгівлі та телекомунікацій. 3

Деякі вторинні публікації наводять точні показники затримки зміни реплік і бали Tau3. Проте в наданих первинних матеріалах таких конкретних значень немає. Обережний висновок полягає в тому, що OpenAI заявляє про суттєве покращення інтерактивної поведінки та найкращий результат Tau3 саме для конфігурації GPT-Live-1 разом із Astra, але не про гарантоване відтворення певного результату в кожному розгортанні. 37

Як модель застосовують ранні користувачі

OpenAI наводить кілька прикладів раннього використання голосових агентів:

• Yelp застосовує GPT-Live-1 у Yelp Host для вхідних дзвінків до ресторанів, зокрема для бронювання столиків і замовлення їжі. Yelp повідомляє про кращу зміну реплік і точність порівняно зі своєю попередньою звичною голосовою архітектурою, а також про вищу частку успішно оброблених дзвінків і повніші відповіді клієнтів. 3
• Speak використовує модель у мовному тренажері. За даними OpenAI, учні можуть довше формулювати відповідь, а кількість перебивань зменшилася майже на 80% порівняно з попередньою системою Speak, побудованою на окремих ходах діалогу. 34
• Неназвана медична компанія заявила, що відмова від каскадної архітектури скоротила її кодову базу на 80% і прибрала 23 000 рядків коду. Це, за її словами, дало змогу зробити природнішими розмови з пацієнтами — від запису на прийом до навігації щодо медичної допомоги. Це результат, заявлений компанією, а не незалежно перевірена оцінка. 3

Такі приклади показують, де повнодуплексність особливо корисна: коли співрозмовник вагається, виправляє себе, коротко реагує під час відповіді агента або перебиває його, не бажаючи починати взаємодію заново.

Ціна та роль OpenAI Presence

Ціна GPT-Live-1 становить $0,05 за хвилину за фронтенд-голосовий шар. Розробники можуть поєднувати його з обраною бекенд-моделлю й агентським середовищем, але саме ці компоненти визначатимуть підсумкову вартість роботи системи, оскільки оплачуються окремо. 35

OpenAI також називає OpenAI Presence ще одним способом створювати голосові процеси на базі GPT-Live-1 для взаємодії в реальному часі. У наданих матеріалах не пояснено корпоративні критерії доступу до Presence, комерційні умови, модель хостингу чи процедуру підключення. Тому ці деталі не варто припускати лише з анонсу API. 3

Для команд, які оцінюють модель, ключове питання виходить за межі тарифу за хвилину: яку цінність для конкретного процесу дає природніша зміна реплік і який набір бекенд-моделі та інструментів забезпечить потрібну надійність за прийнятної загальної вартості.