GPT-Live-1 登陆 OpenAI API：全双工语音模型，打断减少 80%，对话更自然

核心看点

• GPT-Live-1 正式登陆 API，为开发者带来自然流畅的语音交互能力
• 单一模型同时处理听和说，告别传统 STT-LLM-TTS 链式架构的延迟和卡顿
• 打断处理大幅优化：语言学习应用 Speak 实测打断减少近 80%
• Full Duplex Bench 性能比 GPT-Realtime-2 提升 30 个百分点
• 定价 $0.05/分钟，支持电话语音代理部署

详细解析

什么是 GPT-Live-1？

GPT-Live-1 是 OpenAI 推出的全双工语音模型，最初在 ChatGPT 中亮相，现已正式通过 API 向开发者开放。它最大的特点是能够同时”听”和”说”，而不是像传统语音助手那样轮流进行语音识别、推理和合成。

告别传统语音架构

传统语音代理需要拼接三个独立组件：语音识别（STT）、推理模型（LLM）、语音合成（TTS）。每次切换都会增加延迟，还容易丢失对话的上下文和节奏。GPT-Live-1 用一个模型搞定所有事情，可以自然处理打断、停顿和话题转换。

核心优势

打断处理：单一模型同时处理输入和输出音频，避免了链式架构的延迟和脆弱切换。在 Speak 的早期评估中，GPT-Live-1 让学习者有更多思考时间，打断减少了近 80%。

推理和工具调用委派：GPT-Live-1 可以将复杂推理和工具调用委派给后端文本模型（如 GPT-6 Astra 或第三方模型），自己专注于语音交互。

语气、节奏和风格控制：开发者可以通过系统提示词塑造智能体的语气、语速和对话风格。

长会话可靠性：改进的上下文保持能力，让长时间对话依然流畅自然。

电话支持：支持部署全双工语音代理，适用于餐厅预订、客户支持等电话场景。

性能表现

在 Full Duplex Bench 评估中，GPT-Live-1 比 GPT-Realtime-2 提升 30 个百分点，在轮次切换延迟和交互行为方面都有显著改善。搭配 GPT-6 Astra（中等推理强度），在 Tau3 语音代理智能评估中排名第一。

总结

GPT-Live-1 的 API 发布为语音应用开发者带来了全新的可能性。无论是构建更自然的语音助手、电话客服系统，还是创新的语音交互体验，它都提供了一个强大、灵活且易于使用的基础。$0.05/分钟的定价也让大规模部署变得更加可行。