OpenAI выпустила GPT‑Live‑1 в API: теперь голосовой агент может слушать во время собственного ответа

OpenAI открыла разработчикам GPT‑Live‑1 — модель, которая ведёт разговор без жёсткой очереди реплик. Она слышит человека, пока сама говорит, умеет спокойно реагировать на паузы и передаёт сложную работу отдельной модели или агенту.

В ChatGPT этот голос появился ещё 8 июля. А теперь компании могут встроить ту же механику в свои приложения, сайты и телефонные сервисы.

Большинство систем собрано из трёх частей: распознавание речи переводит звук в текст, языковая модель готовит ответ, синтезатор снова превращает его в звук. Такая схема работает, но каждый переход добавляет задержку и плохо переносит живую беседу.

Человек замолчал на секунду — бот уже отвечает. Человек уточнил вопрос — система продолжает старую фразу. GPT‑Live‑1 обрабатывает входящий и исходящий звук одним голосовым слоем и принимает такие решения прямо во время разговора.

Она может дать собеседнику подумать, пропустить короткое «ага», остановиться после настоящего перебивания или продолжить, если на фоне заговорил другой человек. OpenAI сообщает о приросте на 30 процентных пунктов в Full Duplex Bench относительно GPT‑Realtime‑2.1. Независимой проверки этого результата пока мало.

Сам GPT‑Live‑1 отвечает за живую беседу. Если запросу нужны поиск, расчёт, документы или действие в сервисе, он передаёт задачу backend-модели: например, быстрой Luna для простых операций или Astra для сложного разбора.

Пока вторая модель работает, голосовой слой может продолжать разговор. Пользователь не обязан молча ждать, пока закончится поиск или обращение к CRM.

Из этого получается понятная продуктовая схема: один интерфейс отвечает за темп и контакт с человеком, другой — за интеллект и инструменты. Её можно менять под задачу, не переделывая весь голосовой продукт.

Поддержка и телефония — самый готовый сценарий. Агент может принять звонок, уточнить детали, найти заказ, записать человека на услугу и передать сложный случай сотруднику. SIP поддерживается прямо в Live API.

В обучении важнее паузы. Сервис Speak сообщил, что в ранней оценке GPT‑Live‑1 почти на 80% реже перебивала учеников, когда они думали над ответом, чем прежняя система с отдельными репликами.

Ещё один класс продуктов — голосовой доступ к рабочим инструментам. Можно обсуждать код, документы или план, а подключённый агент выполняет задачу в фоне. В анонсе один из клиентов OpenAI сообщил, что переход с каскадной архитектуры сократил его кодовую базу на 80% и убрал 23 тысячи строк. Это результат конкретного проекта, не обещание для каждого внедрения.

Тон, скорость и стиль речи задаются системной инструкцией. Есть встроенные транскрипты, текст ответа, подсказки для важных терминов и определение границ реплики. Для браузера можно использовать WebRTC, для серверной связи — WebSocket, для звонков — SIP.

Модель доступна как gpt-live-1 через v1/live/sessions. Она работает с текстом и аудио, поддерживает вызов функций, но не принимает изображения и видео. Структурированный вывод и дообучение сейчас недоступны.

Голосовой слой стоит 0,05 доллара за минуту, причём время считается посекундно. Это 3 доллара за час непрерывной сессии.

Но 3 доллара — не цена готового агента. Backend-модель, поиск, другие инструменты и инфраструктура оплачиваются отдельно. Поэтому дешёвую модель имеет смысл оставлять на расписание и статусы заказов, а дорогую подключать только к задачам, где действительно нужно рассуждение.

Бесплатный API-уровень не поддерживается. На первом платном уровне разрешено до 25 одновременных сессий, дальше лимиты растут до 500.

Главный продуктовый сдвиг не в том, что голос стал приятнее. OpenAI разделила естественный разговор и сложную работу на два слоя. Благодаря этому один голосовой интерфейс можно соединять с разными моделями, инструментами и даже сторонними системами.

Это делает голос полезнее обычного чата там, где человек занят, идёт, звонит или не хочет заполнять форму. Но хороший голос не исправит плохую базу знаний и неверные действия backend-агента. Проверять придётся всю цепочку.

📌 Итоги: главное за 1 минуту

• GPT‑Live‑1 теперь доступна через API для приложений, сайтов и телефонов.

• Модель слушает и говорит одновременно, поэтому естественнее реагирует на паузы и перебивания.

• Сложное рассуждение и действия выполняет отдельная backend-модель; голосовой слой поддерживает беседу.

• Цена — 0,05 доллара за минуту только за голос. Backend, поиск и инструменты оплачиваются отдельно.

• API не принимает изображения и видео, бесплатного уровня нет.

Про другие новые модели и практичные способы их подключения пишу в Telegram-канале PromtHubru + бесплатные способы пользоваться ИИ