一句话看懂：OpenAI 把 ChatGPT 语音功能背后的实时语音模型 GPT-Live-1 开放为 API，前端语音处理每分钟 0.05 美元，开发者可以据此构建能边听边说的全双工语音助手。
事件核心：发生了什么
OpenAI 宣布，目前用于 ChatGPT 语音功能的 GPT-Live-1 正式向开发者开放，可通过 API 集成到自有应用和业务流程中。该模型采用全双工架构，能在听用户说话的同时生成语音回复，从而更自然地处理打断、停顿、附和以及快速来回的对话。定价方面，前端语音处理为每分钟 0.05 美元，后端用于复杂推理的模型按对应模型价格单独计费。
与传统语音 AI 的“识别—推理—合成”三步链路不同，GPT-Live-1 不再等用户说完再处理。OpenAI 表示，这种架构明显降低了语音交互延迟；在测试中，GPT-Live-1 在 Full Duplex Bench 上比 GPT-Realtime-2.1 高出 30 个百分点，在轮次切换延迟和交互行为上提升明显，与 GPT-6 Astra 以中等推理强度搭配时，在评估端到端语音智能体任务的 Tau3 测试中排名第一。
为什么重要
语音一直是人机交互的重要入口，但过去的方案依赖多个独立模型拼接，开发者要自己处理切换和延迟问题，体验容易断裂。GPT-Live-1 把实时听说能力单独抽出来做成 API，等于把 ChatGPT 同款语音层的工程复杂度接管过来，后端推理则可按需组合——简单任务用更快更便宜的模型，复杂问题交给更强的推理模型。
对 OpenAI 而言，这是把语音能力产品化、按分钟计费的一步，语音 API 的商业模式进一步清晰。对行业来说，全双工语音智能体的门槛被拉低，餐厅预订、客服支持、语言学习等场景可能更快出现规模化应用。
对用户/开发者/创作者的影响
开发者可以不再自行协调多个模型，直接调用 GPT-Live-1 构建电话场景和全双工语音助手，并利用其原生语音识别转录、回复文本、关键词偏置和轮次检测等能力，该模型也针对嘈杂环境做了优化。OpenAI 还扩展了可用音色，覆盖更多口音、方言和语言。语言学习平台 Speak 的早期案例显示，相比此前的轮次式系统，GPT-Live-1 将系统主动打断学习者的次数减少了近 80%。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
创作者和企业需要留意成本结构：0.05 美元/分钟只覆盖前端语音处理，若任务涉及搜索、复杂分析或较长流程，后端推理费用另计。是否划算，取决于业务中复杂推理的占比。
值得关注的后续
一是实际接入后的延迟与打断体验是否稳定，尤其是中文和多方言场景；二是 0.05 美元/分钟的定价能否随规模下降，以及后端推理成本的组合是否可控；三是谷歌、Anthropic 等竞品是否跟进开放同类实时语音 API，以及开发者生态中会跑出哪些语音智能体产品。
来源：AIbase
