GPT-Live-1：让语音智能体能“边听边说”的全双工 API

对于要做电话客服、预约助手或语音陪练的团队而言，难点往往不只是“把话说出来”，而是让系统知道何时该继续听、何时该停下来，以及用户插话时该如何反应。OpenAI 的 GPT-Live-1 正是为这类实时语音交互而设计的开发者模型。

GPT-Live-1 已于 2026 年 9 月 10 日在 API 中上线。其前端语音层价格为每分钟 0.05 美元；但这并不等于完整语音智能体的总成本，开发者选用的后端推理模型、工具、电话服务及其他基础设施仍会单独计费。35

全双工语音，改变的是什么？

不少语音智能体采用串联式架构：先由语音转文字（STT）把来电者的话转写，再交给语言模型生成文本，最后由文字转语音（TTS）朗读出来。这个方案可以有效工作，但每一环都是一次交接，应用需要自行协调停顿、改口、抢话和对话轮次等细节。3

GPT-Live-1 的定位则是单一的实时语音模型，能够同时处理输入与输出音频。所谓“全双工”，可以简单理解为：系统说话时仍能继续听。这让它可以在用户打断、简短回应“嗯”“对”或周围有背景谈话时，尝试判断这些声音的对话含义，而非机械地将每一次声音、静默都视为必须开启的新一轮对话。3

关键不只是更快出声，而是更好的“对话节奏控制”：识别用户是在思考、确实要插话，还是仅仅作出不需要改写回答的简短附和。OpenAI 将 GPT-Live-1 定位为其面向自然、富表现力语音对话的主力模型，并强调其顺畅的打断处理能力。23

语音交互与深度推理可以分工

GPT-Live-1 不要求单独承担全部业务逻辑。它可以负责维持实时语音互动，同时把复杂推理、工具调用或具体操作委派给开发者选定的后端模型与智能体框架。3

这带来较灵活的系统设计：

• 对查询订单、安排日程等常规任务，可使用更快、成本更低的后端模型；
• 面对复杂问题，可升级交由更强的模型，例如 GPT-6 Astra；
• 若现有技术栈更适配，也可接入受支持的第三方后端模型。3

因此，完整方案可以拆成两层：GPT-Live-1 负责实时语音对话，后端负责推理、企业数据访问和执行动作。代价是每分钟 0.05 美元只是语音层报价，实际运营成本还要叠加后端推理、工具和通信服务等费用。35

API 能做什么，适合哪些部署场景？

OpenAI 表示，开发者可通过系统提示词引导模型的语气、语速和对话风格。GPT-Live-1 还会提供转写文本与回复文本，支持字母数字内容理解、关键词偏置，并提供轮次检测能力，供仍需要明确对话边界的产品使用。3

该模型面向较长的会话和电话型智能体，包括客服、餐厅订位等场景。OpenAI 称，它能够处理静默和背景噪声，而不会把每一步内部处理都念出来；这一点对真实电话环境尤其重要。3

至于特定口音、方言的精细控制，以及完整的支持语言列表，现有材料并未给出可作为部署承诺的明确说明。若这些能力是上线要求，应以最新 API 文档为准。

OpenAI 报告了哪些基准提升？

OpenAI 称，在衡量互动语音行为的 Full Duplex Bench 中，GPT-Live-1 比 GPT-Realtime-2.1 高 30 个百分点。这项评测关注轮次交接、停顿、打断、简短附和和背景语音等互动能力。3

OpenAI 还称，当 GPT-Live-1 与设为中等推理强度的 GPT-6 Astra 配合时，在 Tau3 端到端语音智能体基准中排名第一。Tau3 的客服部分涵盖航空、零售和电信等行业的语音任务。3

部分二手报道提供了轮次交接延迟和 Tau3 分数的精确数值，但所给主要来源摘录并未列出这些具体数字。更稳妥的解读是：OpenAI 报告了显著的互动行为提升，以及 GPT-Live-1 与 Astra 组合在 Tau3 上的第一名结果；实际部署效果不应直接等同于某个固定的基准分数。37

Yelp、Speak 等早期案例怎么用？

OpenAI 列举了若干早期语音智能体应用：

• Yelp：在 Yelp Host 中用于接听餐厅来电，包括订位和餐食订单。Yelp 表示，相较此前的传统语音架构，新方案改善了轮次交接和准确性，提高了电话处理率，也让来电者给出更完整的回应。3
• Speak：将其用于语言学习辅导。OpenAI 称，学习者能够有更长时间组织回答；与 Speak 过去的轮次式系统相比，打断次数减少近 80%。34
• 一家未具名医疗企业：该公司称，从级联架构迁移后，代码库缩减 80%，减少了 23,000 行代码，并支持从预约到就医导航的更自然实时患者对话。这是企业自行报告的结果，并非独立审计结论。3

这些案例说明，全双工最有价值的场景通常是用户会犹豫、改口、插话，或在系统说话中间作出简短回应，但并不希望整段交互从头开始的场景。

价格之外，更该算总账

GPT-Live-1 的前端语音层为每分钟 0.05 美元。开发者可以自由选择后端模型和智能体框架，但后端推理、工具使用以及相关服务会独立影响总成本。35

OpenAI 还提到，开发者可借助 OpenAI Presence 在 GPT-Live-1 之上构建语音工作流，由该模型支持实时语音交互。不过，现有材料没有说明 Presence 的企业准入条件、商业条款、托管方式或获取流程，因此不宜仅根据 API 公告推断这些细节。3

对评估团队来说，真正的问题不只是“每分钟多少钱”，而是：更顺畅的轮次交接能给业务流程带来多少价值？又该选择怎样的后端模型与工具路径，才能在可靠性、响应速度与整体成本之间取得平衡？