OpenAI扩大实时语音模型能力：GPT-Live-1上线API，支持打断处理、工具调用和电话语音智能体

IT之家9月11日消息，OpenAI今日宣布将GPT-Live-1引入API，开发者可据此打造支持实时语音交互的应用和业务流程。该模型支持全双工对话，能够同时听取和输出语音，并在对话过程中处理打断、停顿及背景噪声。

GPT-Live-1还支持电话场景，可用于预订餐厅、客户服务等全双工语音智能体。OpenAI表示，开发者可以将其与Codex等工具连接，也可以通过OpenAI Presence开发能够查询企业系统、执行获批操作并在必要时转交人工的语音工作。

据介绍，GPT-Live-1将语音理解与语音输出整合在同一模型中，减少传统“语音转文字 — 大语言模型 — 文字转语音”的多次衔接，从而降低延迟。模型还支持将复杂推理和工具调用交由后端文本模型处理。

开发者可以通过系统提示词调整其语气、语速和对话风格，也可以配置后端模型、工具及智能体框架。

OpenAI表示，GPT-Live-1支持原生语音识别转写和回复文本，并具备字母数字理解、关键词偏置及轮次检测能力。

在早期评估中，语言学习平台Speak使用GPT-Live-1后，学习者思考停顿期间的误打断次数较此前基于轮次的系统减少近80%。医疗服务平台的联合创始人兼首席技术官Tony Stoyanov表示，其团队将代码量减少了80%，删除约2.3万行代码。

OpenAI公布的评测结果显示，GPT-Live-1在Full Duplex Bench测试中的表现比GPT-Realtime-2.1高出30个百分点，在搭配GPT-6 Astra中等推理强度时，Tau3端到端语音智能体任务测试排名第一。

目前，GPT-Live-1已在API中提供，前端语音层价格为每分钟0.05美元。按每小时60分钟计算，单纯前端语音层的费用约为3美元 （IT之家注：现汇率约合20.2元人民币） ，后端模型和智能体工具的费用另行计算。

OpenAI同时扩大了实时语音选项，新增Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta和Cinder等声音，并计划在未来数月继续增加语音和语言支持。

软媒旗下网站：

IT之家

最会买- 返利返现优惠券

iPhone之家

Win7之家

Win10之家

Win11之家

软媒旗下软件：

软媒手机APP应用

魔方

最会买

要知