Новость
GPT-Live-1 вышла в API: голосовые агенты без пауз
OpenAI выпустила GPT-Live-1 в API. Модель умеет слушать и говорить одновременно, обрабатывать перебивания и передавать сложные задачи другому AI-агенту.
В материале
Коротко: GPT-Live-1 даёт разработчикам full-duplex голосовой слой, который слышит пользователя во время собственного ответа и может естественно реагировать на перебивание. Сложное рассуждение и инструменты делегируются выбранной бэкенд-модели. Доступность API можно проверить на странице OpenAI API.
В классической схеме речь отдельно распознаётся, затем обрабатывается текстовой моделью и снова синтезируется. Каждый переход добавляет задержку. GPT-Live-1 объединяет входящий и исходящий звук, при этом сохраняет транскрипт и текст ответа для журнала и интеграции.
Чем полезен full-duplex
Согласно анонсу OpenAI, модель лучше обрабатывает паузы, короткие подтверждения и смену вопроса в середине ответа. Для поддержки это означает меньше механических остановок и более естественный разговор, но критические данные всё равно следует подтверждать отдельно.
Как подключается модель
Для браузерных приложений подходит WebRTC, для серверных интеграций доступен WebSocket, также заявлена телефония. GPT-Live-1 поддерживает определение очереди реплик, подсказки для ключевых слов и текстовые транскрипты. Архитектуру нужно выбирать с учётом задержки, записи звонков и требований к персональным данным.
Делегирование и цена
Голосовой слой может продолжать диалог, пока другая модель ищет информацию или вызывает инструменты. OpenAI указала цену 0,05 доллара за минуту только для фронтенд-слоя. Токены бэкенд-модели и внешние инструменты оплачиваются отдельно, поэтому стоимость следует считать на полном сценарии.
Что проверить перед production
Проверьте разговор в шуме, длинные паузы, двойную речь, произношение имён, отказ сети и повторное подключение. Сообщите пользователю о записи и обработке аудио, если она ведётся. Для задач с действиями добавьте явное подтверждение. Агентную часть можно построить через OpenAI Agents API.