OpenAI 新语音 API 让开发者以每分钟 5 美分构建实时对话应用

OpenAI 新语音 API 让开发者以每分钟 5 美分构建实时对话应用

OpenAI 悄然迈出了一大步：驱动 ChatGPT 语音对话的同款语音模型现已通过 API 向开发者开放。该模型名为 GPT-Live-1，让你能够构建可以同时收听和响应的语音助手——无需再等待用户说完，AI 才能插话。

价格呢？前端语音处理每分钟 5 美分。这是处理实时收听和说话的部分。如果你的应用需要繁重的推理，则根据你选择的后端模型单独计费。

同时收听和说话

当今大多数语音 AI 的工作方式像对讲机：你说，它等，然后它说。这意味着尴尬的停顿、错过的打断和生硬的节奏。GPT-Live-1 颠覆了这一点。它采用全双工架构，意味着它可以在收听你的同时生成语音。因此它能处理打断、停顿、快速来回对话，甚至知道何时继续说话、停止或调用工具。

OpenAI 表示，这大幅降低了延迟，并消除了独立语音识别、语言和合成模型之间笨拙的交接。在测试中，GPT-Live-1 在 Full Duplex Bench 上以30 个百分点的优势击败了之前的 GPT-Realtime-2.1，尤其是在轮流发言和交互行为方面。当与中等推理能力的 GPT-6 Astra 配对时，它还在端到端语音代理任务的 Tau3 基准测试中名列前茅。

复杂思考由单独的大脑处理

并非每个问题都需要深入探讨。GPT-Live-1 将工作分开：它处理实时语音交互，但当你提出需要搜索、分析或更长任务的问题时，它会移交给后端模型。这样，开发者可以为任务选择合适的大脑——简单内容用快速、便宜的模型，困难内容用更强的推理器。

这也意味着你只需为使用的内容付费。每分钟 5 美分涵盖语音前端；后端推理按你选择的模型计费。

实际应用，从预订到语言学习

GPT-Live-1 原生支持电话场景，因此已准备好用于餐厅预订或客户支持等全双工语音代理。早期测试很有前景：语言学习平台 Speak 发现，与之前基于轮次的系统相比，GPT-Live-1 将系统对学习者的打断减少了近 80%。

该模型还提供原生语音识别转录和响应文本，支持关键词偏置和轮次检测，并针对嘈杂环境进行了优化。OpenAI 扩展了可用语音，以覆盖更多口音、方言和语言。开发者可以将 GPT-Live-1 与 Codex 等工具结合——语音模型接收请求，后端工具处理它，然后语音对话继续。

这是一个相当明确的信号：OpenAI 希望开发者构建语音优先的应用，让它们感觉不像与机器交谈，而更像与人交谈。而且每分钟 5 美分，尝试的成本突然低了很多。

要点：

• GPT-Live-1 API 现已向开发者开放，前端语音处理定价为每分钟 0.05 美元。
• 全双工架构允许同时收听和说话，自然处理打断。
• 复杂推理被卸载到单独的后端模型，按使用量计费。
• 像 Speak 这样的早期采用者发现系统打断减少了 80%。
• 支持电话场景、多种口音，并与 Codex 等工具集成。