OpenAI发布GPT-Live-1语音模型，面向开发者提供API接入

人工智能研究公司OpenAI周四宣布，已通过其应用程序编程接口（API）正式发布了名为GPT-Live-1的新一代语音模型。该模型专为开发者设计，支持同步收听和说话，旨在赋能更高效、更自然的语音应用程序和商业工作流的构建。

核心技术与功能

根据OpenAI的介绍，GPT-Live-1的核心突破在于其一体化架构。它通过单一模型处理传入和传出的音频，避免了传统语音系统需依次经过“语音转文本”、“大型语言模型处理”、“文本转语音”等多个环节而产生的延迟。

该模型的主要特性包括：

• 同步交互：能够同时收听和说话，显著提升对话的流畅度和自然感。
• 任务委托：可将复杂的推理和工具调用任务委托给后端的文本模型（如GPT-6 Astra）或其他第三方模型处理。
• 高度可定制化：开发者可以通过系统提示词来调整语音代理的音调、语速和会话风格，以适应特定用户和场景的需求。
• 环境适应性：模型能有效处理背景噪音和静音，避免不必要的中断，并在长时间交互中保持上下文记忆。

早期应用与性能表现

Ad

在早期的评估中，GPT-Live-1已展现出显著的性能优势。语言学习平台Speak报告称，与之前采用的回合制系统相比，GPT-Live-1将对话中的打断次数减少了近80%，为学习者提供了更充足的思考时间。

此外，一家医疗保健公司的联合创始人兼首席技术官Tony Stoyanov表示，采用GPT-Live-1后，其公司的代码库简化了80%，并减少了23,000行代码。在性能基准测试中，该模型在Full Duplex Bench上的表现比GPT-Realtime-2.1高出30个百分点，并在衡量端到端任务智能的Tau3测试中排名第一（与GPT-6 Astra配合使用时）。

市场影响与商业化

GPT-Live-1的发布为开发者社区提供了强大的工具，有望推动客服、教育、医疗等领域的语音交互应用创新。通过API提供服务降低了开发者构建复杂语音代理的技术门槛。

在商业化方面，OpenAI公布了其定价模式。GPT-Live-1前端语音层的API调用价格为每分钟0.05美元，开发者可以将其与自选的后端模型和代理框架配对使用。OpenAI还表示，公司已为该模型增加了新的语音选项，覆盖了不同的口音、方言和语言，并计划在未来持续扩展。