OpenAI 上線 GPT-Live-1 API：邊聽邊說每分鐘 5 美分

以前給應用做語音互動，開發者的日常基本就是當「管道工」：把語音轉文字（STT）、大模型推理（LLM）、文字轉語音（TTS）三樣東西硬拼在一起。任何一個環節卡頓，使用者就會覺得這 AI 聾了或者卡了；一旦有人插話，整個管道更是瞬間亂套。

OpenAI 把 GPT-Live-1 放進了 API。這個已經在 ChatGPT 裡跑過的全雙工模型，現在按每分鐘 0.05 美元向所有開發者開放，核心就一句話：它能一邊聽你說話，一邊張嘴回答。

扔掉拼接管道，讓 AI 真正「邊聽邊聊」

傳統的語音互動之所以機械，是因為它本質上是回合制的。你必須說完，停頓半秒，系統把話變成文字扔給模型，模型算完了再轉成語音念給你聽。中間任何一次打斷或者背景雜音，都需要開發者寫大把膠水程式碼去補救。

GPT-Live-1 用一個單模型同時處理輸入和輸出的音訊。它聽得懂你在咳嗽、在猶豫，甚至你在跟旁邊人搭話時，它會自覺保持安靜，而不會傻乎乎地把聽到的所有噪音都當成指令。

語言學習應用 Speak 測下來發現，換上 GPT-Live-1 之後，系統對學生的誤打斷直接減少了將近 80%，讓學員有了足夠的思考停頓時間。還有一家醫療客戶反饋，因為不用再去死磕拼接架構的狀態機，他們一口氣刪掉了 2.3 萬行程式碼。

基準測試上，GPT-Live-1 在 Full Duplex Bench 上比之前的 GPT-Realtime-2.1 提升了 30 個百分點。原生不僅提供語音轉錄和文字輸出，還支援數字字母識別、關鍵詞偏置，甚至支援電話系統的全雙工接入。

前臺負責嘮嗑，後臺偷偷搖人

不過，只靠一個追求超低延遲的語音模型，怎麼做複雜的邏輯推理？OpenAI 的解法是「前臺加後臺」的分工。

GPT-Live-1 在前臺負責陪你閒聊、維持自然的對話節奏和情緒，而複雜的工具呼叫或深度推理，會被它悄悄委託給後臺的模型。比如日常查訂單可以搭配輕量便宜的 Luna，遇到極其棘手的複雜客服問題，就搖來 GPT-6 Astra 在後臺做深度思考。

在 Tau3 評測中，當 GPT-Live-1 搭配中等推理力度的 GPT-6 Astra 時，端到端任務能力直接排到了第一名。前臺聲音不用斷，後臺活照樣幹完了。

除了解鎖更多口音、方言和語言，OpenAI 還同步推了企業級方案 OpenAI Presence，讓大公司能把這套語音能力直接接進內部系統去辦業務，需要人工介入時再平滑轉接。

為什麼重要

對開發者和創業團隊來說，每分鐘 0.05 美元的語音層定價算不上白菜價，但它把開發門檻直接砍平了。以前想做個能正常接電話、不被使用者插話噎住的 AI 電話客服或語言外教，需要一整支工程團隊調延遲；現在哪怕是個人開發者，也能在一兩天內搭出一個呼吸感和真人相差無幾的語音 Agent。

我們認為，OpenAI 這次最聰明的動作，是把「全雙工互動」和「慢思考推理」拆成了兩層架構。如果讓一個巨型模型直接跑端到端即時音訊，不僅算力成本高到上天，響應延遲也根本救不回來。把語音當成前置閘道器、把推理當成後臺外掛，既保住了流暢度，又保住了智商。

但隱患也很現實。這 0.05 美元一分鐘僅僅是前端的語音費用，一旦後臺掛上 GPT-6 Astra 這樣的大模型去頻繁調工具和做長鏈思考，整體執行成本會蹭蹭往上漲。普通開發者在把業務搬上去之前，必須得算清楚哪類高價值場景才經得起這麼燒。