OpenAI 扩大实时语音模型能力：GPT-Live-1 上线 API，支持打断处理、工具调用和电话语音智能体

9 月 11 日消息，OpenAI 今日宣布将 GPT-Live-1 引入 API，开发者可据此打造支持实时语音交互的应用和业务流程。该模型支持全双工对话，能够同时听取和输出语音，并在对话过程中处理打断、停顿及背景噪声。

GPT-Live-1 还支持电话场景，可用于预订餐厅、客户服务等全双工语音智能体。OpenAI 表示，开发者可以将其与 Codex 等工具连接，也可以通过 OpenAI Presence 开发能够查询企业系统、执行获批操作并在必要时转交人工的语音工作。

据介绍，GPT-Live-1 将语音理解与语音输出整合在同一模型中，减少传统“语音转文字 — 大语言模型 — 文字转语音”的多次衔接，从而降低延迟。模型还支持将复杂推理和工具调用交由后端文本模型处理。

开发者可以通过系统提示词调整其语气、语速和对话风格，也可以配置后端模型、工具及智能体框架。

OpenAI 表示，GPT-Live-1 支持原生语音识别转写和回复文本，并具备字母数字理解、关键词偏置及轮次检测能力。

在早期评估中，语言学习平台 Speak 使用 GPT-Live-1 后，学习者思考停顿期间的误打断次数较此前基于轮次的系统减少近 80%。医疗服务平台的联合创始人兼首席技术官 Tony Stoyanov 表示，其团队将代码量减少了 80%，删除约 2.3 万行代码。

OpenAI 公布的评测结果显示，GPT-Live-1 在 Full Duplex Bench 测试中的表现比 GPT-Realtime-2.1 高出 30 个百分点，在搭配 GPT-6 Astra 中等推理强度时，Tau3 端到端语音智能体任务测试排名第一。

目前，GPT-Live-1 已在 API 中提供，前端语音层价格为每分钟 0.05 美元。按每小时 60 分钟计算，单纯前端语音层的费用约为 3 美元（注：现汇率约合 20.2 元人民币），后端模型和智能体工具的费用另行计算。

OpenAI 同时扩大了实时语音选项，新增 Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta 和 Cinder 等声音，并计划在未来数月继续增加语音和语言支持。