OpenAI выпустила API GPT-Live-1: поддержка полнодуплексного голосового взаимодействия в реальном времени

11 сентября 2026 года OpenAI официально объявила о включении модели GPT-Live-1 в API. Это обновление позволяет разработчикам создавать приложения и бизнес-процессы с поддержкой голосового взаимодействия в реальном времени на базе этой модели. Ключевой особенностью GPT-Live-1 является способность к полнодуплексному диалогу: модель может одновременно слушать ввод пользователя и выдавать голосовой ответ, эффективно обрабатывая прерывания, естественные паузы и помехи от фонового шума во время разговора. Эта функция делает её особенно подходящей для интеллектуальных агентов в сценариях телефонных звонков с высокой интерактивностью, таких как бронирование столиков в ресторанах или обслуживание клиентов.

С технической точки зрения, GPT-Live-1 объединяет понимание речи и генерацию ответа в одной модели, изменив традиционный многоэтапный подход «распознавание речи в текст — обработка большой языковой моделью — синтез текста в речь». Такая интеграция значительно снижает системную задержку и повышает плавность взаимодействия. Кроме того, модель позволяет передавать сложные задачи логического вывода и вызова инструментов бэкенд-текстовой модели; разработчики могут гибко настраивать тон, скорость речи и стиль общения через системные подсказки, а также конфигурировать бэкенд-модели, инструменты и фреймворки агентов в соответствии с конкретными требованиями.

Данные тестирования показывают значительное улучшение производительности GPT-Live-1. В тесте Full Duplex Bench её показатели на 30 процентных пунктов выше, чем у предыдущей модели GPT-Realtime-2.1. При использовании вместе с GPT-6 Astra со средней интенсивностью рассуждений она заняла первое место в тесте Tau3 задач сквозного голосового агента. Кроме того, модель обладает встроенными возможностями распознавания речи в текст и генерации текстовых ответов, а также техническими характеристиками, такими как понимание алфавитно-цифровых данных, смещение ключевых слов и обнаружение реплик, что дополнительно повышает её стабильность в сложных условиях.

Ранние примеры применения демонстрируют преимущества эффективности модели при реальной разработке. Платформа изучения языков Speak после внедрения GPT-Live-1 сократила количество ложных прерываний во время пауз пользователей почти на 80% по сравнению с ранее использовавшейся системой, основанной на очередях реплик. Тони Стоянов, соучредитель и главный технологический директор медицинской сервисной платформы, отметил, что команда сократила объём кода на 80%, удалив около 23 тысяч строк, что существенно упростило разработку и поддержку системы.

Что касается стратегии ценообразования, то согласно опубликованным данным OpenAI, стоимость фронтенд-слоя обработки голоса составляет 0,05 доллара США в минуту. При расчёте за час (60 минут) стоимость только фронтенд-слоя составляет примерно 3 доллара США (около 20,2 юаней). Следует отметить, что стоимость бэкенд-модели и инструментов агента рассчитывается отдельно. На данный момент GPT-Live-1 уже доступна в API, и разработчики могут сразу начать её использование.

Помимо обновления основных возможностей модели, OpenAI расширила выбор вариантов голосов для взаимодействия в реальном времени.此次新增包括 Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta 和 Cinder 在内的多款声音。官方表示，计划在未来数月内继续增加更多的语音风格和语言支持，以丰富开发者的应用场景选择。