OpenAI 将 GPT-Live-1 引入 API：全双工语音、支持打断，可接电话做客服

事件核心：发生了什么

2026 年 9 月 11 日，OpenAI 宣布将 GPT-Live-1 引入 API，开发者可以用它构建实时语音交互的应用和业务流程。按官方说法，这一模型支持全双工对话，能一边听一边输出语音，并处理对话中的打断、停顿和背景噪音。它也覆盖电话场景，例如餐厅预订和客服，可对接 Codex 等工具，或通过 OpenAI Presence 开发能查询企业系统、执行被授权操作、必要时转接人工的语音 Agent。

技术路线上，GPT-Live-1 把语音理解和语音输出放在同一个模型里，减少传统“语音转文字—大模型—文字转语音”的多段衔接，从而降低延迟；复杂推理和工具调用仍可交给后端文本模型处理。开发者能通过系统提示词调整语气、语速和对话风格，也能配置后端模型、工具与 Agent 框架。

公开信息显示了一些早期数据：语言学习平台 Speak 使用后，学习者思考停顿被误打断的次数比上一代轮次式系统减少近 80%；一家医疗服务平台的 CTO 称团队代码量减少 80%，删掉约 2.3 万行代码。OpenAI 的评测称，GPT-Live-1 在 Full Duplex Bench 上比 GPT-Realtime-2.1 高 30 个百分点，配合 GPT-6 Astra 在中等推理强度下，于 Tau3 端到端语音 Agent 任务测试中排名第一。价格方面，前端语音层为每分钟 0.05 美元，约合每小时 3 美元，后端模型和 Agent 工具费用另计。OpenAI 同时新增 Quartz、Ripple、Vesper 等 12 个音色，并表示后续会继续增加音色和语言支持。

为什么重要

语音交互过去的一个核心痛点是“轮流说话”：系统要等你停下来才开始处理，稍长停顿就可能被误判为说完了。GPT-Live-1 把全双工和打断处理作为卖点，意味着 API 层面可以做出更接近电话客服的体验，而不是简单的语音问答。这对客服、预约、外呼等场景的商业化更直接，因为语音 Agent 的可用性往往卡在延迟和打断处理上，而不是模型会不会回答问题。

另一个信号是成本结构变得清晰。前端语音层按分钟计价，后端推理和工具调用分开算，开发者可以更具体地估算一通电话的成本。这对采购和产品定价有帮助，也会推动更多团队把语音 Agent 从 demo 做成可上线的服务。

对用户/开发者/创作者的影响

对开发者来说，最直接的变化是少写很多“胶水代码”。传统语音方案要自己拼接语音识别、对话管理、语音合成和打断逻辑，GPT-Live-1 把这些收进一个模型，并通过 API 暴露出来，适合快速搭建电话客服、预约、语音助手等应用。后端仍可接文本大模型和工具，意味着复杂业务逻辑不必全塞进语音模型里。

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。

了解 GamsGo AI

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。

对企业和客服团队来说，电话场景的可行性提高，但要注意后端模型和工具的费用另算，实际成本会高于每分钟 0.05 美元的前端语音层。对创作者和产品团队，新增的 12 个音色和可调语气、语速，让语音角色的定制空间更大，但音色和语言支持仍在陆续增加，目前公开信息显示还不是最终状态。

值得关注的后续

第一，看真实业务里的落地效果，尤其是电话客服场景在噪音、口音、多人插话下的表现，Full Duplex Bench 的分数不能完全代表线上体验。第二，看定价是否调整，前端语音层每分钟 0.05 美元加上后端推理和工具调用，能否支撑高频外呼类业务的毛利。第三，看竞品是否跟进全双工语音 API，以及 OpenAI 后续音色和语言支持的扩展速度，这会直接影响开发者选型。

来源：AIbase