GPT-Live-1 вышла в API: голосовые агенты с одновременным слушанием и речью

10 сентября OpenAI выпустила GPT-Live-1 в API. Модель предназначена для голосовых приложений и умеет одновременно слушать и говорить, обрабатывать перебивания и передавать сложное рассуждение текстовой модели или инструментам.

Что изменилось

В традиционной голосовой схеме отдельно работают распознавание речи, текстовая модель и синтез голоса. GPT-Live-1 объединяет прослушивание и речь в одном голосовом слое, а более тяжёлую обработку может делегировать серверной модели.

• Поддерживаются перебивания, паузы, фоновый шум и длинные разговоры.
• Тон, темп и стиль речи задаются через системную инструкцию.
• Есть расшифровка входящей речи, текст ответа, распознавание буквенно-цифровых последовательностей и keyword biasing.
• Модель можно использовать в телефонных сценариях и связывать с инструментами.

Доступность и цена

По данным OpenAI, GPT-Live-1 уже доступна через API. Голосовой слой стоит 0,05 доллара за минуту; использование серверной модели и инструментов оплачивается отдельно. Расширенный набор голосов доступен в API, а доступ к собственным голосам нужно согласовывать с отделом продаж.

Как проверить на небольшом сценарии

1. Выберите разговор без персональных и платёжных данных, например запись заявки без оформления заказа.
2. Подключите один read-only инструмент и ограничьте длительность тестовой сессии.
3. Проверьте паузы, перебивание, фоновую речь и неправильное распознавание имён или номеров.
4. Отдельно посчитайте стоимость голосового слоя, серверной модели и инструментов.
5. Добавляйте действия только после журнала вызовов, подтверждения пользователя и безопасного возврата к оператору.

Ограничения и откат

Показатели качества и примеры клиентов в анонсе принадлежат OpenAI и не являются независимым сравнением. Для звонков нужны отдельные правила согласия, хранения аудио и эскалации человеку. Если новая схема ухудшает распознавание или управление диалогом, верните прежний голосовой маршрут и сохраните обезличенные примеры ошибок для повторного теста.

Практический вывод: GPT-Live-1 упрощает голосовой слой, но не отменяет контроль действий и стоимость серверной обработки. Начинать стоит с короткого сценария, где ошибку легко заметить и отменить.

Новые слова простыми словами

Full-duplex

Режим, в котором система может одновременно слушать пользователя и продолжать говорить, реагируя на перебивания.

Телефония

Подключение голосового агента к обычным телефонным звонкам и системам обработки вызовов.

Keyword biasing

Настройка, повышающая вероятность правильного распознавания заранее важных слов, имён или терминов.

---

Проверяемые источники

• Build more natural voice experiences with GPT‑Live‑1 in the API