一句话看懂：OpenAI 把新模型 GPT-Live-1 正式接入 API，让开发者可以构建支持打断、停顿和背景噪声的全双工实时语音应用，语音交互从”分段处理”走向同模型内的端到端对话。
事件核心：发生了什么
据 AIbase 报道，OpenAI 近期宣布在 API 中上线 GPT-Live-1。该模型把语音理解与语音输出整合进同一个模型，取代了传统”语音转文字—大模型推理—文字转语音”的多段拼接链路，从而降低系统延迟。官方称其支持全双工对话，可在输出语音的同时持续听用户说话，并处理打断、停顿、背景噪声等真实场景。开发者可通过系统提示调整语气、语速和对话风格，配置后端模型、工具和智能体框架，并接入 Codex 等工具。配合 OpenAI Presence，还能查询企业系统、执行授权操作，必要时转接人工客服。
为什么重要
语音一直是人机交互中最自然、也最难做好的入口。过去的实时语音方案多为”回合制”，用户说完一段、系统再回应，打断和思考停顿容易被误判。GPT-Live-1 的核心价值在于把这条链路收进单一模型：延迟更低，打断处理更准，也让语音智能体具备真正落地业务的条件。OpenAI 公布的评测显示，该模型在 Full Duplex Bench 上比 GPT-Realtime-2.1 高出 30 个百分点；在 Tau3 端到端语音智能体任务中，与 GPT-6Astra 组合、采用中等推理强度时排名第一。语言学习平台 Speak 在早期评估中，学习者思考停顿导致的误打断减少近 80%。这些数据能否在更广泛场景复现，目前公开信息显示仍待验证。
对用户/开发者/创作者的影响
对开发者而言，接入门槛下降：无需自行拼接 ASR、LLM 和 TTS 三段管线，架构更简单。医疗服务平台的案例显示，使用该模型后代码量显著减少、架构得到精简。对企业和创作者而言，电话客服、餐厅预订、企业系统查询等全双工语音智能体成为可开发的方向。不过，语音场景涉及通话录音、企业数据与操作权限，合规与授权设计仍是落地前提。
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。
值得关注的后续
一是定价与并发能力，决定中小团队能否长期使用；二是真实场景下的打断准确率和多语言表现，尤其是中文口音与嘈杂环境；三是竞品是否跟进端到端语音模型，以及 OpenAI Presence 在企业系统集成上的实际开放程度。
来源：AIbase
