OpenAI 上线 GPT-Live-1 API：边听边说每分钟 5 美分

首次发布 2026年9月10日传播指数 53

OpenAI 在 API 中上线全双工语音模型 GPT-Live-1，前端语音费率为每分钟 0.05 美元。该模型单模型整合听说能力，打断更自然，并可把深度推理委托给 GPT-6 Astra 等后端模型。也就是说，开发者无需再拼接多套系统即可构建流畅的语音应用。

以前给应用做语音交互，开发者的日常基本就是当「管道工」：把语音转文字（STT）、大模型推理（LLM）、文字转语音（TTS）三样东西硬拼在一起。任何一个环节卡顿，用户就会觉得这 AI 聋了或者卡了；一旦有人插话，整个管道更是瞬间乱套。

OpenAI 把 GPT-Live-1 放进了 API。这个已经在 ChatGPT 里跑过的全双工模型，现在按每分钟 0.05 美元向所有开发者开放，核心就一句话：它能一边听你说话，一边张嘴回答。

扔掉拼接管道，让 AI 真正「边听边聊」

传统的语音交互之所以机械，是因为它本质上是回合制的。你必须说完，停顿半秒，系统把话变成文字扔给模型，模型算完了再转成语音念给你听。中间任何一次打断或者背景杂音，都需要开发者写大把胶水代码去补救。

GPT-Live-1 用一个单模型同时处理输入和输出的音频。它听得懂你在咳嗽、在犹豫，甚至你在跟旁边人搭话时，它会自觉保持安静，而不会傻乎乎地把听到的所有噪音都当成指令。

语言学习应用 Speak 测下来发现，换上 GPT-Live-1 之后，系统对学生的误打断直接减少了将近 80%，让学员有了足够的思考停顿时间。还有一家医疗客户反馈，因为不用再去死磕拼接架构的状态机，他们一口气删掉了 2.3 万行代码。

基准测试上，GPT-Live-1 在 Full Duplex Bench 上比之前的 GPT-Realtime-2.1 提升了 30 个百分点。原生不仅提供语音转录和文字输出，还支持数字字母识别、关键词偏置，甚至支持电话系统的全双工接入。

不过，只靠一个追求超低延迟的语音模型，怎么做复杂的逻辑推理？OpenAI 的解法是「前台加后台」的分工。

GPT-Live-1 在前台负责陪你闲聊、维持自然的对话节奏和情绪，而复杂的工具调用或深度推理，会被它悄悄委托给后台的模型。比如日常查订单可以搭配轻量便宜的 Luna，遇到极其棘手的复杂客服问题，就摇来 GPT-6 Astra 在后台做深度思考。

在 Tau3 评测中，当 GPT-Live-1 搭配中等推理力度的 GPT-6 Astra 时，端到端任务能力直接排到了第一名。前台声音不用断，后台活照样干完了。

除了解锁更多口音、方言和语言，OpenAI 还同步推了企业级方案 OpenAI Presence，让大公司能把这套语音能力直接接进内部系统去办业务，需要人工介入时再平滑转接。

对开发者和创业团队来说，每分钟 0.05 美元的语音层定价算不上白菜价，但它把开发门槛直接砍平了。以前想做个能正常接电话、不被用户插话噎住的 AI 电话客服或语言外教，需要一整支工程团队调延迟；现在哪怕是个人开发者，也能在一两天内搭出一个呼吸感和真人相差无几的语音 Agent。

我们认为，OpenAI 这次最聪明的动作，是把「全双工交互」和「慢思考推理」拆成了两层架构。如果让一个巨型模型直接跑端到端实时音频，不仅算力成本高到上天，响应延迟也根本救不回来。把语音当成前置网关、把推理当成后台插件，既保住了流畅度，又保住了智商。

但隐患也很现实。这 0.05 美元一分钟仅仅是前端的语音费用，一旦后台挂上 GPT-6 Astra 这样的大模型去频繁调工具和做长链思考，整体运行成本会蹭蹭往上涨。普通开发者在把业务搬上去之前，必须得算清楚哪类高价值场景才经得起这么烧。