OpenAI 发布 GPT-Live-1，面向全双工语音智能体

OpenAI 已在 API 中推出 GPT-Live-1，将最初在 ChatGPT 中引入的自然语音模型带给构建语音应用和业务工作流的开发者。该模型可同时听和说，能实时处理打断和确认，并可在通过 GPT-6 Astra、Codex 和 ChatGPT Work 等配对模型与工具进行更深层推理或操作时保持对话流畅进行。

与将语音识别、推理模型和语音合成串联起来的传统语音代理不同，GPT-Live-1 会同时处理输入和输出音频。OpenAI 表示，这避免了延迟和脆弱的交接，后者可能丢失时机、上下文和对话节奏。开发者可以通过系统提示控制语气、语速和风格，选择自己的后端模型和代理框架，并使用 ASR 转录、响应文本、关键词偏置、字母数字识别和原生轮次检测。电话支持面向预订、订单更新和客户服务，同时该模型旨在处理背景噪音和静默，而不会打断用户或叙述每一步。

早期结果表明轮次转换发生了显著变化。Speak 报告称，与之前基于轮次的系统相比，打断减少了近 80%，让语言学习者有更多时间思考。OpenAI 表示，GPT-Live-1 在 Full Duplex Bench 上比 GPT-Realtime-2.1 提升了 30 个百分点，并在与 GPT-6 Astra 以中等推理投入配对时在 Tau3 上排名第一。早期用户包括 Yelp Host、Speak、Intercom 的 Fin 和 Cognition 的 Devin。一位客户表示，从级联系统迁移后，其语音代码库减少了 80%，并移除了用于实时患者对话的 23,000 行代码。

此次发布为 OpenAI 提供了一个前端语音层，可以位于单独选择并定价的推理栈之上。GPT-Live-1 在 API 中的费用为每分钟 0.05 美元，后端模型和代理框架费用另行收取。它发布时提供 12 种声音，涵盖口音、方言和语言，而自定义语音访问需要联系销售。OpenAI 计划增加更多声音和语言，并引导企业使用 Presence 来处理可使用公司系统、采取经批准操作并升级到人工的实时工作流。

来源