摘要: OpenAI 在 2026 年 11 月 19 日推出 GPT-Live-1.1,一個能邊說話邊聽的全雙工語音模型,官方相較 GPT-Live-1 宣稱它在多語言對話中轉錄更準、口音與音色跨語言更一致。對正在做電話客服或多語言語音助理的團隊,這次的重點不只是模型升級,而是它把「說話」和「做事」拆成兩層的架構——代價是每一分鐘語音和每一次後端呼叫要分開付費。
對話一層、任務一層:delegation 怎麼運作
GPT-Live 負責聆聽與說話,並用一段自然語言 prompt 決定什麼時候把任務交給後端,官方文件把這個動作稱為 delegation。文件舉的例子很具體:使用者查詢訂單狀態,說話期間補了一句細節,後端還在查,GPT-Live 可以繼續對話,等結果回來再向使用者說明。就算講話的人中途打斷,後端的工作仍能繼續跑,由你的應用程式決定跑完還是取消。
後端有兩種接法。Responses delegation 由 OpenAI 代跑後端模型,負責在它與 GPT-Live 之間傳遞對話脈絡與結果,你的應用程式仍然執行自己的 function tools;client delegation 則讓你接上任何模型、agent harness 或服務,自己控制脈絡、執行與回傳內容。文件建議從 Responses delegation 起步。要注意的是,委派模式在建立 session 時就固定了,想換模式得開一個新 session。
計價:每分鐘算一次,後端再算一次
根據模型頁面,語音 session 按時長計費:Active 每分鐘 $0.05,Standby 每分鐘 $0.02——較低的 standby 費率只適用於 WebRTC session 中推論暫停的時段。更新日誌另說明,GPT-Live-1 與 GPT-Live-1.1 都可以設定 standby,在沒人說話時暫停推論、有人開口再恢復。後端模型與工具使用另外計費,也就是說一個 session 的總成本,直接取決於你讓 GPT-Live 委派得多頻繁。
端點限制同樣值得先看清楚:GPT-Live-1.1 只支援 v1/live/sessions,Chat Completions、Responses、Realtime、batch、fine-tuning 與所有音訊、圖像端點都列為不支援。它是純語音對話模型,不能拿來當文字模型用。併發方面,GPT-Live-1.1 與 GPT-Live-1 各有獨立的同時 session 上限,而且每個模型的上限是跨推論區域合計的。
怎麼接上現有的語音堆疊
文件建議瀏覽器、行動裝置與伺服器端都用 WebRTC 連線,音訊走媒體軌、事件走 data channel;WebSockets 是替代方案,撥打電話則走 Telephony 與 SIP。如果你的應用已經跑在 LiveKit、Twilio、Telnyx、Bandwidth 或 Daily/Pipecat 上,官方提供對應的 partner integration,把既有的通話或音訊流接到 GPT-Live。
如果你在追「即時對話能力放進模型本體」這條路線,可以對照 Thinking Machines 互動模型:把即時對話訓練進模型本體 一起看。
我們的看法: 對已經跑在 LiveKit 或 Twilio 上的語音產品團隊,這是一個值得現在就花一個下午做的實驗:WebRTC quickstart 成本低、可逆,試完不合用就關掉。但要把兩件事當成假設,而不是結論。第一,「轉錄更準、口音更一致」是 OpenAI 自家的說法,來源裡沒有獨立測試數字,也沒列出支援語言,實際表現要拿你使用者的語言親自驗。第二,每分鐘 $0.05 的 Active 費率只是入場價,一通電話的全部成本還要加上後端模型與工具呼叫,委派越頻繁越貴;如果實測後單通總成本超過你現有方案的每通成本,就退回原架構。至於產品裡沒有語音介面的團隊,這次發佈可以直接略過——它連文字端點都不支援。
參考來源
在 X 上查看原貼文
