OpenAI 开放 GPT-Live-1 API：原生全双工实时语音模型

OpenAI 正式在 API 中推出原生语音模型 GPT-Live-1，开发者现可通过该接口构建更具临场感、反应自然的实时语音应用与业务流程。

该模型最初在 ChatGPT 中推出，具备同时收听与表达的双工能力。正如之前结合 Codex 与 ChatGPT Work 的演示所展示的那样，GPT-Live-1 还能将更深层的逻辑推理与工具调用委托给后端的其他模型协同完成。

告别拼接架构，化解传统语音延迟

传统的语音 AI 智能体通常采用「语音转文字（STT）→ 大语言模型推理 → 文字转语音（TTS）」的串联拼接架构。各环节之间的流转不仅层层叠加延迟，也容易丢失会话节奏和语境，开发者往往需要耗费大量精力去处理用户抢话、停顿或改变话题等边界情况。

GPT-Live-1 由单一模型统一处理音频输入与输出，大幅精简了语音交互层：

流畅打断处理：单模型端到端同步推演收听与发音，消除串联交接时的脆弱感。在语言学习平台 Speak 的早期测试中，该模型为学员留出了更充分的思考时间，误判打断的情况较以往系统减少近 80%。
静默与背景降噪：能够更好地过滤背景杂音并理解自然静默，避免不必要的插话或把每个动作都念出声来。
长会话稳定性：在超长对话中保持上下文连贯与交互质量。
电话系统支持：支持直接部署到全双工电话业务中，覆盖餐厅预订、客服支持等典型场景。

推理委托与灵活编排

GPT-Live-1 专注于前端实时交互，同时支持将深层推理或工具调用分发给后端模型。开发者能够完全自主选择后端的模型梯队与智能体框架：例如针对高频日常任务搭配轻量模型，面对复杂客诉时则联动具备强推理能力的后端模型，以此实现响应速度、推理深度与调用成本的最佳平衡。

此外，开发者还能直接通过系统提示词来调控智能体的语调、语速和会话风格。模型原生输出 ASR 转录文本与回复文字，并支持关键词偏置（Keyword Biasing）与轮流发言边界检测。

基准评估表现

官方评测显示，GPT-Live-1 在衡量双工交互能力的 Full Duplex Bench 基准测试中，表现相较 GPT-Realtime-2.1 提升了 30 个百分点，交互延迟与打断反馈大幅优化。当搭配后端模型进行中等推理强度评测时，它在衡量前沿语音智能体端到端能力的 Tau3 基准上取得第一。