OpenAI 推出 GPT-Live-1 語音模型，鎖定開發者與企業級應用

人工智慧研究機構 OpenAI 於週四（9月10日）宣布，在其 API 中正式推出名為 GPT-Live-1 的全新語音模型，專為開發者打造更先進的語音應用程式與商業工作流程。

此模型的核心突破在於能夠同時處理音訊的輸入與輸出，實現同步「聽」與「說」的能力，有效解決傳統架構中「語音轉文字、大型語言模型處理、文字轉語音」多重步驟造成的延遲問題。

主要功能與技術優勢

GPT-Live-1 的設計旨在提供更自然、反應更即時的對話體驗。根據 OpenAI 的說明，該模型具備多項關鍵特性：

• 單一模型架構：透過單一模型處理傳入和傳出的音訊，大幅降低了傳統多層架構的延遲。
• 推理委派：可將複雜的推理與工具調用任務，委派給後端的文字模型（如 GPT-6 Astra）或其他第三方模型執行。
• 高度客製化：開發者能透過系統提示詞（system prompts）來設定 AI 代理人的語氣、語速和對話風格，以符合特定應用場景的需求。
• 環境適應性：模型能有效處理背景噪音和對話間的沉默，避免不必要的打斷，並在長時間的互動中保持對話脈絡。

早期測試展現顯著成效

Ad

在正式發布前，部分合作夥伴的早期評估已顯示出 GPT-Live-1 的強大效能。語言學習平台 Speak 指出，與過去的回合制系統相比，新模型讓學習者的中斷次數減少了近 80%，給予使用者更充裕的思考時間。

一家醫療保健公司的共同創辦人暨技術長 Tony Stoyanov 表示，導入 GPT-Live-1 後，他們的程式碼庫簡化了 80%，移除了多達 23,000 行的程式碼。在效能基準測試中，GPT-Live-1 在 Full Duplex Bench 的表現比前代模型 GPT-Realtime-2.1 提升了 30 個百分點。

商業化模式與市場影響

OpenAI 已公布 GPT-Live-1 的定價模式，前端語音層的 API 調用費用為每分鐘 0.05 美元。開發者可將其與自行選擇的後端模型和代理人框架搭配使用。此模型的推出，預期將加速電話客服、智慧助理、教育輔助等領域的應用發展。

OpenAI 表示，目前已為 GPT-Live-1 擴充了更多語音選項，涵蓋不同口音、方言和語言，並計畫在未來持續增加支援的語音與語言種類，擴大其全球市場的應用潛力。