OpenAI上線實時語音API

，並將GPT-Live-1導入API，鎖定全雙工語音應用與電話智能體。這項更新讓開發者可以在相關應用中直接串接具備即時語音互動能力的模型，針對需要雙向、連續語音溝通的場景設計，不必再自行拼裝多個語音處理環節。所謂全雙工語音應用，重點在於語音溝通不是單向播放或分段輸入，而是雙方可以連續、來回互動。電話智能體則落在需要即時應答、聆聽與回覆的語音服務情境。OpenAI此次把GPT-Live-1帶進API，等於把這類互動能力的核心模型開放給開發者使用。GPT-Live-1的關鍵設計，在於把語音理解與語音輸出放進同一條鏈路。

傳統語音互動往往需要先經過語音轉文字，再交給模型處理，最後把模型產生的文字轉回語音。這種「語音轉文字—模型—文字轉語音」的多段流程，雖然可完成基本對話，卻會在中間轉換過程中產生延遲。當語音理解與語音輸出被整合在同一條鏈路後，開發者鎖定的即時互動場景就有機會減少等待。這樣的設計可讓語音互動更即時，不再受限於多段轉換所造成的延遲。對需要連續對話的應用來說，延遲降低是語音體驗是否自然的關鍵之一。功能方面，GPT-Live-1支援打斷、停頓、背景噪聲和工具調用。這意味著在語音互動過程中，系統可以處理使用者打斷對話的情況，也能因應對話中的停頓節奏，並在背景噪聲存在時繼續運作。

工具調用則讓模型在語音應用中仍有調用工具的能力。打斷與停頓是自然對話常見現象。若語音系統只能等使用者完整說完再回應，互動就會顯得僵硬；若無法處理停頓，也可能誤判對話已結束。GPT-Live-1將這些情況納入支援範圍，反映其目標並非只是把文字轉成聲音，而是更接近連續語音溝通。背景噪聲同樣是語音應用的現實挑戰。電話智能體或即時語音服務常遇到環境聲音、線路雜訊或多人交談等狀況。GPT-Live-1支援背景噪聲，代表相關應用在真實環境中運作時，能有更完整的處理基礎。工具調用則是另一個值得注意的功能。

語音模型若只能在對話中回答，應用範圍會受限；若能在語音互動流程中調用工具，開發者就能設計更複雜的語音智能體。OpenAI將工具調用列為GPT-Live-1的功能之一，讓語音API不只停留在單純對答。定價方面，前端語音層為每分鐘0.05美元。這項價格資訊對開發者評估成本很重要，尤其是電話智能體等語音互動服務。對需要估算使用成本的開發者而言，每分鐘計價提供了明確的參考。從開發者角度來看，OpenAI此次上線即時語音API，並將GPT-Live-1導入API，降低了串接即時語音互動能力的門檻。開發者可在相關應用中直接使用具備即時語音互動能力的模型，將重心放在全雙工語音應用與電話智能體的場景設計。

整體而言，GPT-Live-1把語音理解與語音輸出整合在同一條鏈路，是這項API上線的核心。過去多段轉換造成的等待，是語音互動是否自然的關鍵限制；新設計讓語音互動可望更即時，並支援打斷、停頓、背景噪聲與工具調用。OpenAI這次鎖定的是雙向、連續語音溝通場景。無論是全雙工語音應用或電話智能體，都需要模型在聆聽與回覆之間順暢切換。隨著即時語音API上線，開發者能以每分鐘0.05美元的前端語音層價格，直接串接GPT-Live-1，投入相關語音互動應用開發。