GPT-Live-1 上线 API:更自然的全双工语音对话

用 GPT‑Live‑1 在 API 中构建更自然的语音体验

在 GPT‑Live‑1 的 API 版本里，我们重点打磨了一系列新能力，让开发者能围绕自己的用户、工作流和目标，去引导和定制语音体验。GPT‑Live‑1 有一项核心优势，就是流畅的打断处理，已经在带来真实的业务价值。Speak 的早期评估显示，相比此前的轮次制系统，GPT‑Live‑1 让学习者在语言 tutor 回应前有更多思考时间，打断次数减少了近 80%。

GPT‑Live‑1 在 API 中的核心优势

打断处理（interruption handling）：用一个模型同时对输入和输出音频进行推理，打断处理更顺畅，也避开了 STT–LLM–TTS 串行链路带来的延迟和脆弱的交接。

推理与工具调用委派（reasoning & tool calling delegation）：GPT‑Live‑1 可以把推理和工具调用委派给后端的文本模型，比如 GPT‑6 Astra 或第三方模型。

语气、节奏与风格（tone, pace, and style）：开发者可以通过系统提示（system prompt）来塑造 agent 的语气、节奏和对话风格。

静默上下文管理与背景噪声（silent context management & background noise）：更好地处理背景噪声和静音，既不会打断对话，也不会把每一步都念出来。

长会话可靠性（long-session reliability）：在长时间交互中提升上下文保持能力和对话质量。

电话支持（telephony support）：支持为电话场景部署全双工（full-duplex）语音 agent，覆盖从餐厅预订到客服等用例。

试用 GPT-Live-1

开启一次会话，自然地说话。可以打断、大笑、改变主意。在家试试，也可以在咖啡馆、城市街道这样嘈杂的环境里体验。

开始会话看看它能做什么自然地打断它。先提出需求，然后在它回答中途打断，去更换问题或补充细节。

把它带到任何地方。试试一边户外行走、一边在日常背景噪声下和它对话，看看它能不能跟得上你的节奏。

玩得随意一点。大笑、犹豫、用简短的语气词回应，或者跟旁边的人聊几句，再继续和它对话。

本演示有时长限制。使用即表示你同意 OpenAI 的条款，并知悉我们的隐私政策。

简化语音 agent 架构，降低语音延迟

传统语音 agent 是把语音转文本（speech-to-text）、推理模型、文本转语音（text-to-speech）拼在一起。每多一次交接就多一份延迟，也多一次丢失时机、上下文或对话自然节奏的机会。用户一旦打断、停顿或改变方向，往往最终得由开发者来协调这些阶段。

GPT‑Live‑1 在单个模型里同时处理「听」和「说」，把语音层简化了。用户打断或给出语气词时，它能立刻回应，同时把更深层的推理交给后端。这样对话就能持续推进，工作在后台进行。

> 「相比我们原先级联式的实现，GPT‑Live‑1 把我们的代码量精简了 80%，删掉了 2.3 万行代码。这让我们能实现自然、实时的患者对话，也让团队可以把精力放到从预约挂号到就医指引的体验改进上。」
>
> Tony Stoyanov，联合创始人兼 CTO开发者可以自行选择对话背后的模型、工具和 agent 框架（harness）。比如，把 GPT‑Live‑1 跟 Luna 这类模型搭配，用来处理排期、订单更新等高并发任务；遇到需要推理的复杂客户问题，就切换到 Astra 这类模型。这种灵活性能让开发者针对每项任务，匹配合适的推理深度、速度和成本。

GPT‑Live‑1 原生提供 ASR 转写文本和回复文本，对字母数字字符也有很强的理解能力，还支持关键词偏置（keyword biasing）。它不是轮次制模型，但原生支持轮次检测，所以开发者依然可以围绕显式的轮次边界来构建。

衡量全双工带来的优势

在各项评估中，GPT‑Live‑1 在 Full Duplex Bench（全双工语音交互基准）上的表现比 GPT‑Realtime‑2.1 提升了 30 个百分点，在轮次切换延迟和交互行为上都有大幅提升。搭配 GPT‑6 Astra 以中等推理强度使用时，它还在 Tau3（端到端语音 agent 智能水平基准）上排名第一。

评估航空、零售和电信领域的口语化客服任务。Pass@1 衡量任务成功率；总得分对各领域一视同仁。

* GPT Live 后端：Astra（中等推理强度）。

评估口语化的银行客服支持，涉及知识检索和账户工具。Pass@1 是 97 项 banking_knowledge 任务中成功完成的比例。

* GPT Live 后端：Astra（中等推理强度）。

评估停顿处理、对话轮次切换、打断和听者反馈（backchannel）。

测试对背景语音、对他人说话、听者反馈和打断的反应。

衡量 agent 在用户说完一轮话之后多久开始回复。

测试在包含自然停顿、犹豫和自我纠正的口语请求中使用工具的能力。Pass@1 对工具调用顺序进行打分。

* GPT Live 后端：Terra（低推理强度）。

评估在包含停顿、犹豫和自我纠正的工具调用请求中给出的口语回答。打分衡量回答与参考意图的契合程度。

* GPT Live 后端：Terra（低推理强度）。

客户反馈

> 「把 GPT‑Live‑1 接入 Yelp Host 和 Hatch 之后，相比之前的传统语音架构，轮次切换和准确度都有提升。Yelp Host 用 GPT‑Live‑1 接预订、点餐等电话时，电话处理率有了明显改善。来话方也会说出更长、更自然的句子，说明电话另一端的体验确实不一样了。」
>
> Alex Levy，首席技术官> 「好的语言 tutor 懂得给学习者留思考空间，也知道什么时候介入，GPT‑Live‑1 把这种自然感带进了 Speak 的 Live Tutor Lessons。在我们的早期评估中，相比此前的轮次制系统，它把思考停顿期间的打断减少了近 80%。」
>
> Andrew Hsu，联合创始人兼 CTO> 「GPT‑Live‑1 展现了全双工模型的潜力，AI 语音客服从一问一答的节奏，推进到电话通话的自然节奏。用户可以自然地停顿、打断、转换方向；语音表达本身也有明显进步；而 Fin 能把这种自然的对话和它自有的客服系统结合起来，完成解决问题所需的更深层工作。对我们来说，这是迄今为止语音客服走向何方最清晰的信号。」
>
> Jordan Neil，首席运营官> 「有了 Devin 和 GPT‑Live‑1，跟 AI 工程师协作开始更像是跟队友合作。你可以一起讨论想法、反复推敲方案，甚至离开键盘时把工作直接交接出去。」
>
> Walden Yan，联合创始人兼 CPO Yelp　　Speak　　Fin　　Cognition

全新音色选择

开发者需要既贴合自己产品、又能被用户听来自然的音色。这次 GPT‑Live‑1 推出，我们把过去数量有限的实时音色扩展成覆盖更多口音、方言和语言的更大阵容，开发者可以更自由地选择助手的声音。

试听新音色我们会在未来几个月持续扩展音色和语言覆盖。

价格与可用性

GPT‑Live‑1 今天已在 API 中上线（在新窗口打开），前端语音层按每分钟 0.05 美元计费。把它和适合你产品的后端模型、agent 框架搭配使用，就能搭建出能跟着业务规模扩展的语音体验。

将 GPT-Live-1 接入 Codex

import {Codex}from"@openai/codex-sdk"
;
const thread =new Codex ().
startThread ({workingDirectory:"./repo"
,sandboxMode:"read-only"
,approvalPolicy:"never"
,});
async function answer (live, delegationId, context) {
const{ finalResponse } =await thread.
run (`Answer the latest question using this repo.
Reply in two short spoken sentences.\n${context}`);
live.
send ({type:"session.commentary.append"
,delegation_id: delegationId,content: finalResponse,});
}

将 GPT-Live-1 接入 Codex。这段示例展示了应用如何把对话上下文传给 Codex，并把它的回答送回给 GPT‑Live‑1。连接建立和委派处理的部分已省略。

如需使用定制音色，请联系销售团队了解申请资格和流程。

在 GPT‑Live‑1 之上构建语音工作流的另一种方式是使用 OpenAI Presence，它借助该模型驱动实时语音交互。Presence 帮助企业部署可信的 AI agent，让它们可以回答问题、解决问题、调用公司系统、执行已批准的操作，并在需要时升级给人工。请联系你的 OpenAI 客户总监了解详情。