OpenAI 的 GPT-Live-1 API 让开发者构建能同时说和听的应用

OpenAI 正在把 GPT-Live-1 作为 API 提供给开发者。这个语音模型可以同时听和说，这一特性被称为“全双工”，并且已经在 ChatGPT 内部运行。开发者可以根据任务把它与不同的后端模型搭配，为每个使用场景匹配推理深度、速度和成本。每分钟 0.05 美元，这并不便宜。据 CTO Alex Levy 称，Yelp 正在把该模型用于电话预订，并报告电话处理效果更好。在 OpenAI 的基准测试中，GPT-Live-1 大幅领先于其前代模型。在全双工交互测试中，它得分 80.1%，而 GPT-Realtime-2.1 为 45.4%。轮次转换延迟从 1.4 秒降至 0.8 秒。工具调用准确率从 60% 跃升至 87%。在一项银行语音支持基准测试中，GPT-Live-1 达到 32% 的通过率，高于前代模型的 12.4%。GPT-Live-1 还附带十二种新声音，覆盖不同口音、方言和语言。它开箱即提供 ASR 转录和响应文本。完整细节将在 API 文档中提供。

OpenAI 将语音模型 GPT-Live-1 以 API 形式开放给开发者，其核心能力是“全双工”——可同时听与说，并已在 ChatGPT 内部运行。开发者可按任务搭配不同后端模型，在推理深度、速度与成本之间做取舍，定价为每分钟 0.05 美元。基准测试显示其全双工交互得分 80.1%（前代 45.4%）、轮次转换延迟从 1.4 秒降至 0.8 秒、工具调用准确率从 60% 升至 87%，银行语音支持通过率从 12.4% 提升到 32%。Yelp 已将其用于电话预订。

• OpenAI 将语音模型 GPT-Live-1 以 API 形式开放给开发者，其核心能力是“全双工”——可同时听与说，并已在 ChatGPT 内部运行。开发者可按任务搭配不同后端模型，在推理深度、速度与成本之间做取舍，定价为每分钟 0.05 美元。基准测试显示其全双工交互得分 80.1%（前代 45.4%）、轮次转换延迟从 1.4 秒降至 0.8 秒、工具调用准确率从 60% 升至 87%，银行语音支持通过率从 12.4% 提升到 32%。Yelp 已将其用于电话预订。
• 原贴提到：OpenAI is making GPT-Live-1 available to developers as an API. The speec
• 来源：the-decoder.com

这是什么信号

OpenAI 把 GPT-Live-1 从 ChatGPT 内部能力变成公开 API。关键不在于“又一个语音模型”，而在于全双工：模型可以一边听一边说，而不是传统语音助手那种“你说完—它再说”的轮流制。这说明实时语音交互正在从产品功能，下沉为开发者可直接调用的基础设施。

第二条信号是架构上的解耦。开发者可以把 GPT-Live-1 当作语音前端，再按任务接不同后端模型，去匹配推理深度、速度和成本。这实际上把“听觉/表达层”和“思考层”拆开计价，让语音 Agent 的成本结构变得可调。

为什么重要

原文给出的三组数字，指向同一件事：对话体验的瓶颈正在从“理解得准不准”转向“接得上不上”。全双工交互测试从 45.4% 提升到 80.1%，轮次转换延迟从 1.4 秒砍到 0.8 秒，工具调用准确率从 60% 升到 87%。延迟减半加上打断、插话、抢话的处理能力，才是电话场景真正可用的前提——人类的对话本来就是重叠的。

但也要看到天花板：银行语音支持基准的通过率只有 32%，虽然比前代的 12.4% 翻了不止一倍，仍意味着将近七成的复杂任务没有通过。它是一次代际跳升，不是“语音客服可以全自动裁人”的拐点。

对谁有价值

最直接的是做电话与实时语音场景的团队：订位、预约、外呼、客服初筛、语音助手、陪伴类产品。Yelp 已经把模型用于电话预订并报告电话处理更好，说明这类场景的收益是可被业务方感知的，而不只是跑分。

其次是把语音当入口、后端模型当大脑的 Agent 开发者。过去语音链路的工程复杂度常常吃掉大部分迭代预算，托管式全双工 API 把这个门槛降下来了。再次是评估“语音 Agent 是否值得上”的产品与运营负责人——现在可以用每分钟 0.05 美元的明确单价做单次通话的成本测算，而不是靠猜。

可以怎么行动

第一，先用自家真实通话录音建一个小评测集，重点不是准确率，而是打断响应、延迟和工具调用成功率，这三项决定用户是否会挂断。第二，把“语音层”和“推理层”分开设计：高频、低复杂度的环节用便宜快速的后端模型，只有需要深度判断的节点才升级模型，把每分钟 0.05 美元之上的推理成本控制住。第三，先挑一个高价值、容错度高的场景跑通，比如预订、查单、满意度回访，而不是一上来就碰银行级合规任务。第四，等 API 文档公开后再确认限流、语言覆盖与数据留存条款，再决定是否进入生产架构。

风险与限制

成本是第一道限制：每分钟 0.05 美元，一通十分钟的电话就是 0.5 美元的模型侧成本，再叠加后端模型调用，规模化外呼场景的经济模型需要重新算。

能力是第二道限制：银行语音支持 32% 的通过率说明复杂、多轮、带合规约束的任务仍不可靠，工具调用 87% 也意味着仍有约八分之一的调用出错，必须配兜底与人工接管。

第三是信息不完整：原文明确表示完整细节将在 API 文档中提供，当前能确认的只有价格、基准与声音数量，关于并发、区域可用性、数据使用与合规认证尚无公开依据，任何据此做出的架构承诺都应保留调整空间。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《OpenAI 的 GPT-Live-1 API 让开发者构建能同时说和听的应用》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• Matthias Bastian 原帖