OpenAI 开放 GPT-Live-1.1 API:全双工实时语音上线

11 月 20 日,OpenAI 开放 GPT-Live-1.1 API 语音模型,第三方开发者可以把它接进自己的应用,构建能实时聆听、回应并执行复杂任务的语音智能体。这是 GPT-Live-1 的升级版本,具备全双工语音交互能力,可以同时聆听和说话。

能同时听说,也会判断该不该插话

所谓全双工,指的是模型可以一边听一边说,不必等用户把一句话说完才开始处理。它能识别说话过程中的停顿、打断和语速变化,并实时判断此刻应该继续听下去还是给出回应。OpenAI 称这一版改进了多语言语音处理、指令遵循能力和语音保真度,对字母、数字这类需要精确识别的信息处理更可靠,减少了理解偏差。

复杂任务可以交给后端模型

另一个设计是把需要深度推理或工具调用的任务委托给开发者选定的后端模型,后端既可以用 OpenAI 的模型也可以接第三方模型。关键在于后端处理复杂任务时,语音对话不会中断,智能体可以一边回答问题一边推进多步骤工作流。GPT-Live 系列采用全双工架构,直接处理输入输出音频,避开了语音识别、语音合成与大模型串联带来的延迟。GPT-Live-1.1 从 2026 年 10 月 15 日起已经是 ChatGPT Plus 及更高订阅档位的默认语音模型,此次开放 API 相当于把这套能力交给外部开发者。想了解语音识别环节的横向差异,可以看 ElevenLabs Scribe v3:102 语言词错率降 27%、0.2 美元/小时。

全部文章归档与模型专题