OpenAI GPT-Live-1 API 发布：实时语音 Agent 从“拼接管线”转向全双工

OpenAI 于 2026 年 9 月 10 日宣布 GPT-Live-1 已进入 API，开发者可以把 ChatGPT Voice 背后的自然、可打断、全双工交互用于语音应用和业务流程。此次发布的关键，不只是新增一个语音模型，而是把“听、理解、回应、处理打断”放进更连续的交互环节，同时允许把更深的推理和工具调用委派给后端文本模型。

已确认的发布事实

• GPT-Live-1 已在 API 提供，前端语音层价格为 0.05 美元/分钟；后端模型和 Agent harness 的费用另计。
• 模型可以同时处理输入和输出音频，改善用户插话、沉默、背景噪音和长会话中的节奏。
• 开发者可以通过系统提示词控制语气、语速和会话风格，并可接入电话场景。
• GPT-Live-1 可以把更深的推理与工具调用委派给 GPT-6 Astra 或第三方模型；这意味着语音层与“复杂任务执行层”可以分开设计。
• OpenAI 称，早期评估中 Speak 使用 GPT-Live-1 后，学习者打断模型的次数相比此前的轮次式系统减少近 80%。这是厂商披露的早期评估，不等同于跨产品、独立实验室结论。

为什么这对 AI 应用开发者重要

过去的语音 Agent 常见架构是“语音识别 → 文本大模型 → 语音合成”，多个环节之间会产生延迟和上下文损失。GPT-Live-1 试图把实时语音交互层收敛成一个更连续的模型，同时把需要更强推理的工作交给后端模型。

这会把竞争重点从“能不能把语音接起来”推向三个更具体的问题：

1. 你的业务是否真的需要可打断、低延迟的实时对话，而不是普通语音转文本？
2. 哪些工具调用可以由语音层触发，哪些必须等待确认？
3. 每分钟语音成本、后端推理成本、电话或实时通信基础设施费用合计后，单次任务是否仍然成立？

适合先做验证的场景

• 语言学习：让用户自然打断、停顿和改口，重点观察对话完成率，而不是只看转写准确率。
• 客服和预约：把查询、改期、取消等动作接入工具，但对退款、下单、写入 CRM 等高风险操作保留确认步骤。
• 电话销售或线索筛选：先验证接通率、有效会话率和人工接管率，再评估是否值得扩大流量。
• 现场助手：在嘈杂环境中测试背景噪音、沉默判断和网络抖动，不要只在安静的演示环境里验收。

接入前的最小检查清单

1. 明确实时语音层与后端推理层的职责边界，并记录每类工具的调用权限。
2. 单独计算语音层、后端模型、RTC/电话线路和存储成本。
3. 为插话、静默、网络中断、误识别和重复执行准备可回放的测试集。
4. 高风险动作采用“语音确认 + 可追溯日志 + 人工接管”三道门。
5. 先用一个窄场景跑小流量，比较传统 STT/LLM/TTS 管线与 GPT-Live-1 的完成率、延迟和单位任务成本。

证据边界

本文把 API 已发布、能力范围和 0.05 美元/分钟前端语音层价格归为 OpenAI 官方事实；“近 80% 少打断”和 30 个百分点的基准提升均为 OpenAI 自行披露的评估结果，需在独立测试中复核。The New Stack 报道了其全双工架构、后端推理拆分和客户代码量减少案例，但不能替代生产环境的成本与可靠性测试。

来源

• OpenAI 官方发布：https://openai.com/index/introducing-gpt-live-1-in-the-api/
• The New Stack 二次报道：https://thenewstack.io/gpt-live-1-voice-api/