OpenAI 发布 GPT-Live-1 API：支持全双工实时语音交互

OpenAI 于 2026 年 9 月 11 日宣布将 GPT-Live-1 模型正式引入 API。该更新允许开发者基于此模型构建支持实时语音交互的应用程序和业务流程。GPT-Live-1 的核心特性在于其全双工对话能力，能够同时听取用户输入和输出语音响应，并在对话过程中有效处理用户的打断、自然停顿以及背景噪声干扰。这一功能使其特别适用于预订餐厅、客户服务等需要高互动性的电话场景智能体。

在技术架构上，GPT-Live-1 将语音理解与语音输出整合在同一模型中，改变了传统“语音转文字—大语言模型处理—文字转语音”的多步骤衔接方式。这种整合显著降低了系统延迟，提升了交互的流畅性。同时，模型支持将复杂的推理逻辑和工具调用任务交由后端文本模型处理，开发者可通过系统提示词灵活调整模型的语气、语速和对话风格，并可配置后端模型、工具及智能体框架以满足特定需求。

评测数据显示，GPT-Live-1 在性能指标上取得了显著提升。在 Full Duplex Bench 测试中，其表现比前代模型 GPT-Realtime-2.1 高出 30 个百分点。当搭配 GPT-6 Astra 中等推理强度使用时，在 Tau3 端到端语音智能体任务测试中排名第一。此外，模型具备原生语音识别转写和回复文本能力，并拥有字母数字理解、关键词偏置及轮次检测等技术特性，进一步增强了其在复杂环境下的稳定性。

早期应用案例展示了该模型在实际开发中的效率优势。语言学习平台 Speak 在使用 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了近 80%。医疗服务平台联合创始人兼 CTO Tony Stoyanov 表示，团队利用该模型将代码量减少了 80%，删除了约 2.3 万行代码，大幅简化了开发和维护工作。

关于定价策略，OpenAI 公布的方案中，前端语音层的费用为每分钟 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（约合人民币 20.2 元）。需要注意的是，后端模型和智能体工具的费用需另行计算。目前，GPT-Live-1 已在 API 中提供，开发者可立即接入使用。

除了核心模型能力的升级，OpenAI 还扩大了实时语音的声音选项。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。