OpenAI 將 GPT-Live-1 全雙工語音開放至 API：邊聽邊講、可委派後端推理，語音代理進業務流程

Key takeaway

2026 年 9 月 10 日，OpenAI 於官網產品發佈頁宣布，將先前已在 ChatGPT 登場的全雙工語音模型 GPT-Live-1 正式開放至開發者 API，讓應用與業務流程可直接建置「邊聽邊講」的語音代理。官方強調，新版 API 著重讓開發者按用戶、工作流與目標，自訂語氣、節奏與對話風格，並可把深度推理與工具呼叫委派給後端文字模型。本文已對照 OpenAI 官網〈Build more natural voice experiences with GPT‑Live‑1 in the API〉、開發者文件〈Getting started with GPT-Live〉，以及《The Register》當日報導核實日期、定價與能力描述，來源真實性已驗證。

OpenAI 將 GPT-Live-1 全雙工語音開放至 API：邊聽邊講、可委派後端推理，語音代理進業務流程

OpenAI 將 GPT-Live-1 全雙工語音開放至 API：邊聽邊講、可委派後端推理，語音代理進業務流程

2026 年 9 月 10 日，OpenAI 於官網產品發佈頁宣布，將先前已在 ChatGPT 登場的全雙工語音模型 GPT-Live-1 正式開放至開發者 API，讓應用與業務流程可直接建置「邊聽邊講」的語音代理。官方強調，新版 API 著重讓開發者按用戶、工作流與目標，自訂語氣、節奏與對話風格，並可把深度推理與工具呼叫委派給後端文字模型。本文已對照 OpenAI 官網〈Build more natural voice experiences with GPT‑Live‑1 in the API〉、開發者文件〈Getting started with GPT-Live〉，以及《The Register》當日報導核實日期、定價與能力描述，來源真實性已驗證。

一、核心事件：語音層從「輪流說話」升級為「全雙工對話」

技術細節

傳統語音代理多把語音轉文字（STT）、推理模型與文字轉語音（TTS）串成管線，每一段交接都會加延遲，也容易在打斷、停頓或改口時失真。GPT-Live-1 把聆聽與發聲收進同一個語音前端模型，可同時處理進來與出去的音訊，減少链式架構的脆弱交接。

官方列出 API 版本的主要能力包括：

  • 打斷處理：以單一模型同時推理進出音訊，改善半雙工「你說完我再說」的生硬感。
  • 推理與工具委派：可把較深的推理與工具呼叫交給後端文字模型（例如 GPT-6 Astra）或第三方模型／自建代理。
  • 語氣、節奏與風格：透過系統提示詞塑造代理說話方式。
  • 背景噪音與靜默：較能在咖啡店、街道等嘈雜環境維持對話，而不必把每一步都念出來。
  • 長會話穩定度：改善長時間對話的上下文與品質。
  • 電話場景：支援以全雙工語音代理處理電話，涵蓋訂位到客服等用例。

定價方面，官網寫明前端語音層為 每分鐘 0.05 美元；後端模型與工具用量另行計費。開發者文件亦說明語音工作階段按秒計費，並可透過 WebRTC（瀏覽器）、WebSocket（伺服器音訊）或電話／SIP 路徑接入；合作方整合包括 LiveKit、Twilio、Telnyx 與 Daily／Pipecat。

二、技術原理深度解析

GPT-Live 的架構可概括為「語音對話層」與「後端任務層」分工：

1. 語音層只管對話節奏
GPT-Live-1 負責聽、說，以及決定何時向後端求助。開發者只需給短提示，說明對話風格與委派時機。

2. 後端負責查詢、工具與業務規則
委派有兩種模式：Responses 委派由平台代管後端 Responses 模型；客戶端委派則由應用自行控制模型、代理或服務。權限、確認、私有函式執行與持久任務狀態仍由應用端擁有。打斷語音並不會自動取消後端工作。

3. 評估數字（以官網為準）
OpenAI 指，GPT-Live-1 在 Full Duplex Bench 相對 GPT-Realtime-2.1 提升 30 個百分點，並在輪替延遲與互動行為有明顯改善；與 GPT-6 Astra（中等推理力度）搭配時，於衡量端到端語音代理智能的 Tau3 基準名列第一。語言學習平台 Speak 的早期評估指，相對過往輪替制系統，思考停頓期間的打斷減少近 八成。醫療排程場景方面，客戶引用稱相對級聯方案可簡化程式碼庫約 八成、刪減約 2.3 萬行程式。

四、日常應用場景

1. 開發者與技術團隊

可把即時語音客服、訂位、點餐、語言導師或語音協作工程師接到現有代理框架：前端用 GPT-Live-1 維持自然對話，後端按任務選較平價或較強的文字模型，平衡延遲與成本。

2. 企業與隱私敏感行業

電話與現場語音往往牽涉訂單、帳戶或病患行程。官方示範與客戶引言涵蓋餐廳訂位（如 Yelp Host）、客服（如 Intercom Fin）與醫療預約。企業仍應自行設計權限、確認與稽核；若對話內容屬 NDA 或合規敏感，需另建資料出域控管與私有部署策略。

3. 一般用戶

終端體驗更接近真實電話：可中途改口、加入細節、在背景噪音中繼續對話，而不必每次等系統「播完」才能再講。

4. 香港與亞洲市場視角

香港零售、餐飲、診所與跨境客服高度依賴電話與即時溝通。全雙工 API 降低自建 STT–LLM–TTS 管線的工程成本，亦利於粵語／多語場景的產品實驗。同時，企業需留意雲端語音與後端模型的跨境數據流向；若客戶資料不能出境，應評估私有 LLM 與本地閘道，而非直接把完整對話棧放上公有 API。

五、專業評價與潛在考量

優勢

  • 單一語音模型簡化架構，縮短打斷與輪替延遲，產品體驗更接近真人通話。
  • 語音與推理解耦，可按任務選後端模型，兼顧成本與能力。
  • 官方提供瀏覽器、伺服器與電話多種接入，並有多家通訊平台整合路徑。

需要留意的地方

  • 前端按分鐘計費，加上後端模型與工具，長通話場景需做成本控管與工作階段管理。
  • 打斷語音不自動取消後端任務，應用須自行處理取消、重試與冪等。
  • 評估數字來自 OpenAI 與具名客戶早期測試，實際業務成功率仍取決於提示詞、工具品質與領域資料。

結語

GPT-Live-1 進入 API，標誌語音代理從「輪流播報」走向可打斷、可委派的全雙工協作。對香港團隊而言，這既是快速驗證語音產品的機會，也提醒要把對話節奏與敏感推理分開設計。若需在香港以數據不出境的方式部署企業語音或文字代理後端，可參考 YSK Limited 的企業私有 LLM 全託管（年費由 HK$88,000 起，Dataset → QLoRA／LoRA → 私有 API，100% 數據不出境）：https://ysk.hk/services/ai-automation 。亦可配合香港 APP 開發把語音前端嵌入手機或店舖流程：https://ysk.hk/services/app-development 。

參考來源

Related services & products

Related posts