OpenAI 推出 GPT‑Live‑1 API：语音代理不再只能“你说完、我再答”

OpenAI 的这项 API 公告日期为 2026 年 9 月 10 日，不是 9 月 11 日。该公司宣布推出已全面开放使用的 GPT‑Live‑1：一个面向语音应用和业务工作流的全双工语音层，目标是让语音代理更接近自然对话，而不是机械地按回合一问一答。3

核心变化：从串联流水线到同步听说

传统语音代理通常由三段式流程构成：语音转文字（STT）→ 语言／推理模型 → 文字转语音（TTS）。每一环交接都可能增加延迟，也可能丢失说话时机、上下文或对话节奏等信息。

GPT‑Live‑1 将听和说统一在一个语音模型中。它可以一边听用户说话，一边进行语音输出，因此能够在对话发生的当下回应插话和简短应答；需要更深入推理或调用工具时，则由配套的后端模型在后台完成。3

开发者可将这部分后端工作交给 OpenAI 的模型，例如 GPT‑6 Astra，也可以使用第三方模型，从而按任务自行权衡推理能力、响应速度和成本。3

可控制哪些对话体验？

OpenAI 重点提到，开发者可通过系统提示词控制语气、语速和对话风格。GPT‑Live‑1 还面向电话部署提供支持，并覆盖背景噪声与静默处理、更长会话的可靠性、转写文本与回复文本、字母数字识别以及关键词偏置等能力。3

换句话说，它并非只是一套“声音更自然”的朗读接口，而是把实时聆听、说话时机和对话状态纳入同一语音层；较复杂的判断和执行仍可交给后端模型与工具。

价格：每分钟 0.05 美元，但总成本不止这一项

GPT‑Live‑1 的语音会话价格为 每分钟 0.05 美元，按秒计费，不会直接向上取整到整分钟。2

不过，这个价格只涵盖语音层。会话中使用的后端模型以及工具调用会单独计费，因此实际成本应理解为：语音会话费用 + 所选后端模型费用 + 工具使用费用。2

现有材料不足以证实所谓托管“Presence”企业访问细节，也不足以证实关于新增口音、方言和语言支持的具体说法。

OpenAI 公布的评测与早期案例

OpenAI 表示，在 Full Duplex Bench 测试中，GPT‑Live‑1 相比 GPT‑Realtime‑2.1 提升了 30 个百分点；当 GPT‑Live‑1 与采用中等推理强度的 GPT‑6 Astra 搭配时，在 Tau3 上排名第一。3

不过，所给材料并未独立展示“1.41 秒降至 0.798 秒”的延迟数据，也未展示“86.2% 对 45.7%”的 Tau3 通过率。因此，这两组具体数字不应据此视为已获得独立验证。

OpenAI 列举的早期采用者反馈包括：Yelp 称，将 GPT‑Live‑1 整合至 Yelp Host 和 Hatch 后，轮次衔接和准确性优于此前的语音架构；在订座和餐饮点单电话场景中，接听处理率有所改善，来电者也会说出更完整、更自然的话语。3

语言学习应用 Speak 表示，与以往按回合交互的系统相比，该模型给学习者留下更多思考时间，几乎将导师过早打断学习者的情况减少了 80%。一家医疗公司的联合创始人兼 CTO 则称，替换原有串联式实现后，代码库缩减了 80%，减少了 23,000 行代码，并让与患者的实时对话更自然。3

对开发者意味着什么？

GPT‑Live‑1 的关键不只是让回答“更快播出来”，而是尝试解决语音交互中最容易显得生硬的问题：人还没讲完就被抢话、插话后系统无法及时调整，以及等待系统逐段处理所带来的停顿。其全双工设计把这些实时互动放在语音层处理，同时保留后端模型完成复杂任务的空间。3