OpenAI 周四宣布，将其全双工语音模型 GPT-Live-1 正式引入 API，开发者现在可以基于它构建能同时听和说的语音应用，而不必再把语音转文字、大语言模型推理、文字转语音三个环节手动拼在一起。
这套模型最早在 7 月随 ChatGPT 语音功能上线，此后一直默默支撑着 ChatGPT Voice 的自然对话体验。此次开放给第三方，OpenAI 为其增加了面向开发者的定制能力：可以通过系统提示词塑造语音助手的语气、语速和对话风格，也能在嘈杂环境中更好地处理背景噪音和沉默，不会动不动打断用户或把每一步操作都念出声来。开发者还可以自行选择背后的推理模型——高并发任务配 Luna，复杂问题配 Astra，让成本和智能按需匹配。
传统语音助手的架构是链式的：先录音转成文字，交给语言模型思考，再合成语音播报。每一次切换都带来延迟，也让"打断"成为技术难题。GPT-Live-1 用一个模型同时处理输入和输出音频，打断了能接住，停顿了会等待，还能在对话进行的同时，把深度推理和工具调用委托给后端的文本模型。语言学习应用 Speak 的早期测试显示，使用 GPT-Live-1 后，对话中的打断次数比上一代基于轮次的系统减少了近 80%。
在 OpenAI 的评估中，GPT-Live-1 在全双工基准 Full Duplex Bench 上比 GPT-Realtime-2.1 高出 30 个百分点，配合中等推理强度的 GPT-6 Astra 时，在语音智能体评测 Tau3 上排名第一。定价为每分钟 0.05 美元，按秒计费，后端模型和工具的使用费用另算。模型还原生提供语音转写文本和回复文本，支持数字串识别与关键词偏置，方便开发者做电话预订、客户服务这类场景。
多家企业已经给出反馈。Yelp 用它接听订座和点餐电话，称通话完成率显著提升，来电者说话也更完整自然；语言学习应用 Speak 发现它"知道什么时候该给学生留出思考空间"；企业客服平台 Fin 认为它让语音支持从"一问一答的卡顿节奏"走向"真实电话的自然流动"。OpenAI 同时提供了与 Codex 的集成示例，并推出了 OpenAI Presence——一个基于 GPT-Live-1 的企业语音智能体产品，可以查询内部系统、执行获批操作，必要时转接人工。
从产品到平台，语音 AI 的门槛正在被进一步拉低。当打断、抢话、环境噪音这些"人味"细节都被模型天然消化，语音交互或许会比我们想象的更快，成为人与机器之间最稀松平常的对话方式。