OpenAI发布全双工语音模型GPT-Live-1

OpenAI 近日在 API 中正式推出全新的全双工语音模型 GPT-Live-1，把类人般流畅的语音交互体验直接带给广大开发者。

传统语音智能体普遍采用级联式架构，需要依次完成语音转文字、模型推理、文字转语音等多个步骤，环节串联带来的延迟让对话常常出现明显卡顿。在应对停顿、打断或话题切换等复杂场景时，这类系统也往往显得非常脆弱。GPT-Live-1 的突破首先体现在架构层面的简化：它用单一模型同时处理输入与输出音频，不再依赖多环节的串行拼接。

更值得关注的是它的协同设计。模型在保持即时响应打断能力的同时，还能将深层推理以及工具调用无缝委派给后端的文本模型，让对话在后台持续进行，前台交互依旧保持高度灵活。这意味着语音层不必独自承担全部计算压力，而是与文本模型形成明确分工。

在实际性能表现上，早期测试给出了颇为具体的数字。语言学习平台 Speak 发现，GPT-Live-1 将思考停顿期间的中断减少了近 80%。开发者还可以通过系统提示词来定制智能体的语气、节奏与对话风格，并让模型妥善处理背景噪声与静默上下文，这类能力对电话客服、餐饮预订以及长会话交互等场景尤为关键。在基准测试中，该模型搭配中等推理强度的 GPT-6Astra 后表现名列前茅。

目前，GPT-Live-1 已在 API 中全面可用，前端语音层的定价为每分钟 0.05 美元。Yelp、Intercom 等多位行业合作伙伴表示，该模型大幅提升了轮次切换的准确性，让 AI 语音支持真正走出了走走停停的节奏，实现了如真人面对面般自然流畅的体验。

从级联式架构到全双工模型，语音交互的技术路线正在发生明显转变。对开发者而言，用单一模型处理音频输入输出、再把推理任务外派给文本模型的组合，既压缩了延迟，也保留了定制空间。随着这类模型进入 API 生态，语音智能体能够承载的交互场景有望被进一步推开。