OpenAI将GPT‑Live‑1.1正式开放给开发者。这款全双工语音模型可以同时听与说,并在维持自然对话的同时,把检索、推理和工具调用交给后端模型或企业自己的Agent。相较GPT‑Live‑1,官方称新版本提升了语音转录、字母和数字识别、指令遵循及跨语言口音一致性。此次发布的另一项实际变化是Standby:开发者可设置5至60秒的静默超时,模型暂停推理但保持WebRTC连接,费率由每分钟0.05美元降至0.02美元。不过,GPT‑Live‑1.1并非今天才首次出现——它从10月15日起已服务于ChatGPT Plus和Pro;此次新闻的核心是API开放和待机计费。OpenAI尚未公开新旧版本的量化准确率、延迟或独立评测,因此“更可靠”等表述目前仍属于官方结论。
文章作者、来源:OpenAI
新发布的是API,不是一款从未出现过的模型
GPT‑Live‑1.1是一款面向实时语音对话的全双工模型。“全双工”意味着用户不必等待AI说完才能插话,模型也能在输出语音时继续监听停顿、纠正和补充信息。
它从2026年10月15日起已经成为ChatGPT Plus及更高套餐的默认高级语音模型之一。这次发布的变化,是开发者终于能够通过API把同一类能力接入客服、预约、销售、教育、陪练和电话Agent等应用。
官方称,与GPT‑Live‑1相比,新模型可以更准确地转录语音,更稳定地维持不同语言中的声音和口音,并能更可靠地听清字母、数字等精确信息。这类细节对订单号、姓名拼写、航班编号和验证码场景尤其重要。
但OpenAI模型页中的Performance和Speed栏目目前没有公布分数,也没有给出新旧版本在统一数据集上的错误率。因而,现阶段只能确认官方声明的改进方向,无法量化它究竟提升了多少。
语音模型负责谈话,后端Agent负责“办事”
GPT‑Live的设计重点并不是让一个模型承担所有工作,而是把连续对话与复杂任务分开。
GPT‑Live‑1.1负责听取用户语音、保持交流节奏、判断什么时候需要外部帮助,并把结果自然地说出来。需要搜索资料、访问业务系统、进行长链推理或调用工具时,它可以把任务委派给后端模型。
开发者可以选择两种委派方式。Responses delegation由OpenAI负责把对话上下文传给选定的Responses模型;client delegation则允许企业连接自己的模型、Agent框架或业务服务,自行决定上下文、路由、预算和检查点。
后端任务运行期间,语音模型不必让用户一直听“请稍候”。它可以继续交谈、接收补充信息,并在后端结果返回后将其纳入对话。例如,用户询问订单状态时,语音模型可以继续确认收货地址,而后端同时查询数据库。
需要注意的是,GPT‑Live并不替应用完成权限管理。身份验证、敏感操作确认、业务记录和任务状态仍由开发者的应用负责;工具是否真正执行成功,也不能只凭模型口头报告判断。
Standby降低的是“沉默成本”,不是整通电话统一降价
GPT‑Live‑1.1的活跃语音会话按持续时间计费,每分钟0.05美元,并按秒结算。后端模型的Token和工具调用费用另行收取。
新的Standby配置同时适用于GPT‑Live‑1和GPT‑Live‑1.1。开发者可以把静默超时设置为5至60秒;超过设定时间无人说话后,模型暂停推理,但WebRTC连接继续保持。有人重新开口时,会话再恢复活跃状态。
待机阶段费率为每分钟0.02美元,比标准活跃费率低60%。不过,这项价格只适用于WebRTC会话中推理已经暂停的时间,并不意味着一通电话的全部费用都会降低60%。
举例来说,若一通10分钟会话中有6分钟成功进入待机,单纯的语音连接费约为0.32美元,而全程按活跃费率计算为0.50美元,实际下降约36%;后端模型、搜索或企业工具费用仍需另外计算。
它仍不是一个包办所有模态的通用模型
GPT‑Live‑1.1支持文字和音频输入、输出,具备流式响应和函数调用能力;当前不支持图像或视频,也不支持结构化输出和微调。
其默认会话上下文为12.8万Token。长对话接近容量上限时,系统会在后台整理较早的内容,并用近期对话和摘要启动替换引擎。因此,订单状态、已确认操作和权限信息等关键事实仍应保存在应用自身的状态系统中,不能完全依赖语音模型记忆。
此外,语音会话和后端工作是两条相对独立的执行路径:用户打断语音,不一定会取消正在运行的订单查询或工具操作;后端任务完成,也不代表用户一定听到了结果。开发者需要分别记录操作ID、任务版本、后台完成状态和实际播放的语音,防止断线或重试造成重复预约、重复下单等问题。
真正重要的是语音Agent架构开始分层
GPT‑Live‑1.1最值得关注的变化,不只是声音更自然,而是OpenAI把语音Agent明确拆成了两个层次:一个低延迟模型负责持续交流,另一个可替换的后端负责推理、工具和业务规则。
这种架构让开发者不必在“自然对话”和“复杂推理”之间选择同一个模型。语音前端可以保持快速响应,后端则按任务选择能力、成本和安全边界不同的模型或服务。
它也使语音Agent更接近传统软件系统:通话可以暂停和恢复,后台任务拥有独立状态,权限由应用控制,复杂行动需要确认,失败后还要检查原操作是否已经发生。模型不再是整个产品,而是实时交互层的一部分。