GPT-Live-1 API 正式可用：语音代理可以边听边说

OpenAI 于 2026 年 9 月 10 日宣布，GPT-Live-1 已在 API 中以通用可用（GA）形式推出，并非 9 月 11 日。开发者现在可以用它构建更接近自然交谈的语音应用和业务工作流。116

关键变化：不再严格“你说完，我再答”

传统语音代理通常采用串联式流程：先由语音转文字（STT）识别用户说话内容，语言模型生成文本回复，最后由文字转语音（TTS）将回复念出来。这种架构往往把对话切成清晰、固定的轮次。

GPT-Live-1 的定位则是实时交谈中的统一语音层。OpenAI 表示，它可以一边聆听、一边说话，并能够根据停顿、语速变化和对话走势，实时判断是该回应，还是应继续听下去。115

这对实际体验的意义在于：用户中途插话、短暂的“嗯”“对”、思考时的停顿，不必天然被当成识别或流程错误。OpenAI 将这类简短回应称为“反馈性应答”（backchannel），并称该模型可随对话方向的改变作出调整。19

语音层与推理层可以分工

GPT-Live-1 并不要求自己完成所有任务。它主要负责实时语音交互的节奏——听、说以及何时轮到谁说话；更耗时或更复杂的工作，则可交由后端模型或代理完成，例如：

• 复杂推理；
• 信息检索；
• 执行工作流；
• 调用外部工具。

OpenAI 提供两种委派方式：可通过 Responses delegation 使用 OpenAI 模型，也可通过 client delegation 连接开发者自己的后端。因此，团队可以自行选择支撑语音体验的推理系统。116

在 OpenAI 的产品说明中，GPT-6 Astra 被列为适合较难搜索和推理任务的一个选项；API 开发者也可以接入自己的后端。416

换句话说，完整语音代理通常由两层构成：

• GPT-Live-1：负责实时对话、聆听、发声和交互时机；
• 后端模型或代理：负责复杂判断、知识检索与工具操作。

因此，代理的最终能力、响应方式和成本，取决于这两层的组合，而不只取决于语音模型本身。1618

OpenAI 还提到，此次 API 发布带来更强的指令遵循能力、自定义语音和电话系统支持。13

价格：每分钟 0.05 美元，但这不是完整代理成本

GPT-Live-1 的语音会话价格是 每分钟 0.05 美元，按秒计费，不会向上取整到完整分钟。1618

例如，这一价格覆盖的是实时语音层本身，而不是一个生产级语音代理的一切开销。后端模型推理和工具使用仍会单独计费，因此评估预算时，需要同时计算：

1. 用户实际通话或交谈的时长；
2. 委派给后端模型的用量；
3. 工具调用及相关服务成本。1618

OpenAI 报告了哪些性能结果？

OpenAI 表示，相较 GPT-Realtime-2.1，GPT-Live-1 在其 Full Duplex Bench 测试中提升了 30 个百分点；同时，将 GPT-Live-1 与中等推理强度的 GPT-6 Astra 配对后，在 Tau3 上排名第一。1

不过，所提供的资料没有独立证实原问题中提到的精确轮次切换延迟数字，以及 Tau3 的具体通过率对比。因此，这些具体数值不应被视为已在本文资料范围内得到核实。

早期部署方怎么说？

OpenAI 列举了数个早期生产环境案例，但这些结果均为相关公司自行报告，应理解为部署实例，而非适用于所有场景的效果保证。

• Yelp：该公司称，在 Yelp Host 和 Hatch 中接入 GPT-Live-1 后，轮次衔接和准确性有所改善。针对订位与食品订购电话，来电者会使用更完整、自然的表达，电话处理表现也得到提升。1
• Speak：这家语言学习公司称，学习者在导师回应前可以有更多思考时间；与此前的轮次式系统相比，打断情况减少近 80%。1
• 一家医疗健康公司：该公司表示，放弃串联式实现后，代码库简化了 80%，删除了 23,000 行代码，同时能够支持更自然的实时患者对话。1

仍需进一步核实的内容

当前提供的证据不足以证实名为“Presence”的托管企业产品接入说法，也不足以确认本次 API 发布具体扩大了哪些口音、方言或语言支持范围。若这些因素会影响采购或落地决策，应以 OpenAI 最新官方文档为准。

结论

GPT-Live-1 的重点不只是让语音“更快”，而是改变语音代理的分工方式：前端语音层可以持续听和说、处理真实对话里的停顿与打断；与此同时，后端系统仍可进行较慢的推理或调用工具。

其语音层以每分钟 0.05 美元、按秒计费的方式提供，成本结构相对直观；但完整代理的实际费用，仍取决于所选后端模型与工具链。11618