GPT-Live-1 是什么？OpenAI 全双工语音 API 上线

OpenAI 在 2026 年 9 月 10 日把全双工语音模型 GPT-Live-1 开放到了 API：它能边听边说，还能把查订单、调工具这类"动手活"委派给后端 Agent，前端语音层定价 0.05 美元一分钟、按秒计费。对做语音助手、电话机器人的开发者来说，这是 Realtime API 之后最有分量的一次升级。此前我们对 OpenAI 新模型的跟踪见GPT-6 发布全解读。

关于适用范围：GPT-Live-1 最早随 ChatGPT 首发，9 月 10 日才正式进入 API。官方公告页与开发者文档均已上线（来源：OpenAI 公告、GPT-Live 上手文档），本文所有参数、价格与跑分均从这两处官方页面核实。

GPT-Live-1 发布了什么

按官方模型页（gpt-live-1）与公告页的说明，这次开放的核心内容有 6 条：

1. 全双工语音模型 gpt-live-1 正式可用：支持音频和文本输入输出，可以一边听你说话一边开口回应，打断和抢话由模型自己处理，不再依赖手动事件控制。
2. 语音与后端任务分离（delegation 机制）：语音模型只负责"说话和听"，遇到需要查数据、调工具的请求，它会委派给后端模型（官方示例用 GPT-6 Astra，也可以换成 Luna、Terra 或你自己的 Agent）去处理，处理期间对话不中断。
3. 多种接入方式：浏览器场景走 WebRTC，服务端集成走 WebSocket，电话场景有 SIP 方案；LiveKit、Twilio、Telnyx、Daily/Pipecat 这些语音基础设施厂商都提供了官方对接路径。
4. 按时长计费：语音会话 0.05 美元每分钟，按秒计费、不向上取整，后端模型的用量单独结算。
5. 原生转写与轮次能力：模型原生输出 ASR 转写和回答文本，对字母数字（订单号、验证码这类）识别做了加强，支持关键词偏置；虽然它不是轮次模型，但原生支持轮次检测，按旧架构写的代码仍可继续用轮次边界。
6. 音色扩容：从原来一小撮实时音色，扩到覆盖不同口音、方言和语言的更大音色集合，官方当前公布的音色包括 Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta、Cinder。

关键信息一览

官方跑分：全双工到底强多少

这是公告页最有信息量的部分，也是中文转述里最常丢的部分。官方把 GPT-Live-1 和上一代 gpt-realtime-2.1、gpt-realtime-2 放在同一套基准里对比：

官方给的总结是：在 Full Duplex Bench 上比 GPT-Realtime-2.1 高 30 个百分点，提升集中在轮次延迟和交互行为。

企业侧反馈也印证了这两个点：Yelp 把 GPT-Live-1 接进 Yelp Host 和 Hatch 之后，轮次处理与准确率都优于传统语音架构，官方转述的观察是来电者开始说更完整、更自然的句子；Speak 的语言陪练在早期评估中把「学习者思考停顿期被打断」减少了接近 80%；Cognition 的说法是，相比级联方案，代码库简化了 80%、删掉 2.3 万行代码。

和上一代 Realtime API 差在哪

这是很多已经用 Realtime API 的团队最关心的问题。官方在迁移指南里给了很明确的对照，我们提炼成三句话：

1. 架构不同：Realtime 里一个模型同时管语音、推理和工具选择；GPT-Live 把"说话"和"干活"拆开，语音模型只管对话，推理和工具交给后端，后端你可以换成任何模型或自己的 Agent。
2. 交互方式不同：Realtime 需要手动 commit 音频、触发回复；GPT-Live 持续接收音频流，模型自己决定什么时候开口，官方迁移指南明确写了"移除手动音频提交和语音轮次触发"。
3. 计费方式不同：Realtime 按 token 收费（音频输入输出各有百万 token 单价）；GPT-Live 按通话时长收固定费率，成本更容易预估。

需要注意：GPT-Live 不是 Realtime 的简单换名，事件名、会话建立方式都变了，老项目要按迁移指南改代码，官方也提供了从 Realtime 迁移的完整路径。

真正会踩的坑：接入前先看清这 6 条

公告和文档里散落着几条容易被忽略的限制，单独拎出来（均来自官方页面）：

1. 不能只改模型名。事件体系从 response.output_audio.* 换成 session.input_audio.* 一类命名，会话建立方式也变了，老代码必须按迁移指南重写，否则表现是「连上了但没声音」。
2. 成本要按两层算。语音层 $0.05/分钟只覆盖前端语音，后端模型的 token 和工具调用另外计费。按旧 Realtime 的单价推算预算会明显偏低。
3. 并发是硬上限。语音会话一旦建立就持续占用并发额度，Tier 1 只有 25 路。用文字接口的 QPS 经验来估语音容量，上线当天就会撞墙。
4. 免费层完全不可用。官方模型页标注 Free 用量等级不支持，需要至少 Tier 1 的付费等级。
5. 自定义音色要单独申请。想用自己录制的品牌音色，官方给的路径是联系销售确认资格与申请流程，不是后台自选。
6. 模态有限。输入输出只有音频和文本，图片、视频都不支持；官方在线体验 Demo 本身也是限时的。

国内开发者现在能做什么

想第一时间用上，按下面三步走：

1. 确认账号条件：需要 OpenAI Platform 账号且 API 用量等级高于 Free（免费层不可用该模型），网络和支付需自行解决合规渠道。
2. 从 WebRTC 快速开始入手：官方提供了浏览器+服务器的示例工程，接上麦克风就能体验全双工对话，见 GPT-Live 快速开始。
3. 电话类需求先看合作方：如果你的产品是电话机器人，建议直接从 LiveKit、Twilio 等合作方的对接文档进入，可以少踩音频链路的坑。

国内团队要注意两点：一是 GPT-Live 会话需要直连 OpenAI 服务，跨境网络与数据合规要先评估；二是语音会话按秒计费但持续占用并发额度，上线前用 Tier 并发数（Tier 1 只有 25 路）压测一下容量。

官方同时给了 GPT-Live-1 与 Codex 组合的示例代码，思路是让应用把对话上下文交给 Codex，再把它的回答通过 session.commentary.append 回注到语音会话里，实现「边聊边查仓库」：

import { Codex } from "@openai/codex-sdk";

const thread = new Codex().startThread({
  workingDirectory: "./repo",
  sandboxMode: "read-only",
  approvalPolicy: "never",
});

async function answer(live, delegationId, context) {
  const { finalResponse } = await thread.run(
    `Answer the latest question using this repo.
 Reply in two short spoken sentences.
${context}`
  );
  live.send({
    type: "session.commentary.append",
    delegation_id: delegationId,
    content: finalResponse,
  });
}

这段代码只展示了「传上下文回去」这一步，连接建立与委派处理在官方文档里另有说明。企业侧如果不想自己搭，还可以走 OpenAI Presence 这条线，它是官方为实时语音交互准备的企业方案。

哪些团队值得升级，哪些可以再等等

值得第一时间跟进的：做实时语音客服、电话机器人、语音硬件的团队，全双工和委派机制直接解决"用户插话被打断、后台查询卡住对话"两个老问题。从官方跑分看，轮次延迟从 1.41 秒降到 0.798 秒，这对电话体验是质变级数字。

可以再等等的：只用文字转语音、语音转文字的产品，这类需求看语音转文字工具横评更对口；深度绑定 Realtime 的存量项目，等社区把迁移坑趟一遍再动手更稳。