Преминаване към основното съдържание
OpenAI

10 септември 2026 г.

ПродуктПускане

Създайте по-естествени гласови изживявания с GPT‑Live‑1 в API

GPT‑Live‑1 пренася естествените пълнодуплексни разговори на ChatGPT в API, с повече контрол върху начина, по който гласовите агенти говорят и действат.

Зареждане…

Пускаме GPT‑Live‑1 в API, като предоставяме на разработчиците мощен, естествено звучащ гласов модел за създаване на приложения с гласово управление и бизнес работни процеси. Представен за първи път в ChatGPT, GPT‑Live‑1 може да слуша и говори едновременно и, както видяхме с Codex и ChatGPT Work⁠(отваря се в нов прозорец), да делегира по-задълбочено структурирано анализиране и действия на моделите и инструментите, с които е свързан.

За пускането на GPT‑Live‑1 в API се съсредоточихме върху нови възможности, с които разработчиците могат да насочват и адаптират гласовите изживявания към своите потребители, работни процеси и цели. Едно от основните предимства на GPT‑Live‑1, плавното обработване на прекъсвания, вече има бизнес ефект: при ранни оценки Speak установи, че GPT‑Live‑1 дава на учащите повече време за размисъл, преди преподавателят по език да отговори, като намалява прекъсванията с почти 80% спрямо предишните системи с редуване на реплики.

Основни предимства на GPT‑Live‑1 в API:

  • Обработка на прекъсванията: Подобрява обработката на прекъсванията чрез един модел, който анализира съвместно входящото и изходящото аудио, като избягва забавянето и ненадеждното предаване между компонентите в последователните архитектури STT–LLM–TTS.

  • Делегиране на структурирано анализиране и извиквания на инструменти: GPT‑Live‑1 може да делегира структурирано анализиране и извиквания на инструменти на бекенд текстов модел като GPT‑6 Astra или модел на трета страна.

  • Тон, темпо и стил: позволява на разработчиците да оформят тона, темпото и разговорния стил на агента чрез системната подкана.

  • Безшумно управление на контекста и фоновия шум: Обработва по-добре фоновия шум и тишината, без да прекъсва разговора или да описва на глас всяка стъпка.

  • Надеждност при дълги сесии: Подобрява запазването на контекста и качеството на разговора при продължителни взаимодействия.

  • Поддръжка на телефония: Позволява внедряването на пълнодуплексни гласови агенти за телефонни разговори — от резервации в ресторанти до обслужване на клиенти.

Try GPT-Live-1

Start a session and speak naturally. Interrupt, laugh, change your mind - try it at home or in a loud space like a coffee shop or city street.
See what it can do
  • Talk over it—naturally. Ask for help, then interrupt mid-response to change the question or add detail.
  • Take it with you. Try a conversation while walking outside or with everyday background noise, and see how it stays with you.
  • Make it playful. Laugh, hesitate, use short acknowledgments, or briefly talk to someone nearby—then continue the conversation.

Тази демонстрация е с ограничено време. Използвайки я, Вие се съгласявате с Условията на OpenAI и потвърждавате, че сте запознати с нашата Политика за поверителност.

Опростете архитектурата на гласовия Ви агент и намалете забавянето при гласовата комуникация

Традиционните гласови агенти свързват преобразуване на реч в текст, модел със структурирано анализиране и преобразуване на текст в реч. Всяко предаване между етапите добавя забавяне и създава повече възможности да се загубят точният момент, контекстът или естественият ритъм на разговора. Често разработчиците трябва сами да координират тези етапи, включително какво се случва, когато някой прекъсне, направи пауза или промени посоката на разговора.

GPT‑Live‑1 обработва слушането и говоренето в един модел, опростявайки гласовия слой. Той може да реагира на прекъсвания и потвърждения в момента, в който възникнат, като същевременно делегира по-задълбоченото структурирано анализиране на бекенда. Така разговорът може да продължи, докато работата се извършва във фонов режим.

“В сравнение с каскадната ни реализация GPT‑Live‑1 опрости кодовата ни база с 80% и премахна 23 хиляди реда код. Това направи възможни естествени разговори с пациенти в реално време и освободи екипа ни да подобрява изживяването — от записването на час до ориентирането в медицинските грижи.”
– Тони Стоянов, съосновател и главен технологичен директор

Разработчиците избират моделите, инструментите и рамката на агента зад разговора. Например могат да съчетаят GPT‑Live‑1 с модел като Luna за задачи с голям обем, като планиране или актуализиране на поръчки, и да използват модел като Astra за сложни клиентски казуси, изискващи структурирано анализиране. Тази гъвкавост позволява на разработчиците да съобразяват дълбочината на структурираното анализиране, скоростта и разходите с всяка задача.

GPT‑Live‑1 предлага вградени ASR транскрипции и текст на отговорите. Той също така разбира надеждно буквено-цифрови поредици и поддържа приоритизиране на ключови думи. Въпреки че GPT‑Live‑1 не е модел с редуване на реплики, той разполага с вградено разпознаване на границите между репликите, така че разработчиците могат да продължат да изграждат системи с ясно определени граници между тях.

Измерване на предимството на пълния дуплекс

В нашите оценки GPT‑Live‑1 подобрява представянето във Full Duplex Bench с 30 процентни пункта спрямо GPT‑Realtime‑2.1, със значителни подобрения в забавянето при редуване на репликите и интерактивното поведение. Съчетан с GPT‑6 Astra при средно усилие за структурирано анализиране, той също заема първо място в Tau3, който измерва авангардното ниво на интелект на гласови агенти при цялостни задачи.

Оценява гласови задачи за обслужване на клиенти в областите на авиокомпаниите, търговията на дребно и телекомуникациите. Pass@1 измерва успеха на задачите; водещият показател придава еднаква тежест на всяка област.


* Бекенд на GPT Live: Astra (средно ниво на разсъждение).

Оценява гласовото обслужване на банкови клиенти с извличане на информация и използване на инструменти за работа със сметки. Pass@1 е делът от 97 задачи banking_knowledge, изпълнени успешно.


* Бекенд на GPT Live: Astra (средно ниво на разсъждение).

Оценява обработката на паузи, редуването на репликите в разговора, прекъсванията и сигналите за активно слушане.

Тества реакции към фонов говор, говор, насочен към друг човек, кратки сигнали от слушателя и прекъсвания.

Измерва колко бързо агентът започва да отговаря, след като потребителят завърши репликата си.

Тества използването на инструменти при гласови заявки, съдържащи естествени паузи, колебания и самокорекции. Pass@1 оценява последователността от извиквания на инструменти.


* Бекенд на GPT Live: Terra (ниско ниво на разсъждение).

Оценява устния отговор на заявки, включващи използване на инструменти и съдържащи паузи, колебания и самокорекции. Оценява доколко отговорът съответства на референтното намерение.


* Бекенд на GPT Live: Terra (ниско ниво на разсъждение).

Какво казват клиентите

1 от 4
“Добавянето на GPT‑Live‑1 към Yelp Host и Hatch подобри редуването на репликите и точността спрямо традиционната ни гласова архитектура. Когато Yelp Host използва GPT‑Live‑1, за да отговаря на обаждания за резервации и поръчки на храна, отчитаме значително подобрение в дела на успешно обслужените разговори. Обаждащите се също говорят с по-пълни и естествени изречения, което ни показва, че изживяването от другата страна на линията е наистина различно.”
Алекс Леви, главен технологичен директор

Нови гласови опции

Разработчиците се нуждаят от гласове, които подхождат на продуктите им и звучат естествено за потребителите. С GPT‑Live‑1 разширяваме малкия набор от гласове в реално време с по-богат избор от акценти, диалекти и езици, така че разработчиците да имат повече възможности да определят звученето на асистентите си.

Слушайте новите гласове

През следващите месеци ще продължим да разширяваме избора от гласове и поддържани езици.

Цени и наличност

От днес GPT‑Live‑1 е наличен в API⁠(отваря се в нов прозорец) на цена от 0,05 щ.д. на минута за гласовия слой на предния интерфейс. Съчетайте го с бекенд модела и рамката на агента, които подхождат на продукта Ви, и създайте гласово изживяване, което може да се мащабира според работата, която трябва да извършва.

Свързване на GPT-Live-1 с Codex

1
import { Codex } from "@openai/codex-sdk";
2

3
const thread = new Codex().startThread({
4
  workingDirectory: "./repo",
5
  sandboxMode: "read-only",
6
  approvalPolicy: "never",
7
});
8

9
async function answer(live, delegationId, context) {
10
  const { finalResponse } = await thread.run(
11
    `Answer the latest question using this repo.
12
     Reply in two short spoken sentences.\n${context}`
13
  );
14

15
  live.send({
16
    type: "session.commentary.append",
17
    delegation_id: delegationId,
18
    content: finalResponse,
19
  });
20
}

Свързване на GPT-Live-1 с Codex. Този откъс показва как приложение предава контекста на разговора на Codex и връща отговора му на GPT-Live-1. Настройването на връзката и обработката на делегирането са пропуснати.

За достъп до персонализирани гласове се свържете с отдела по продажбите, за да научите повече за условията и процеса на заявяване.

Друг начин за изграждане на гласови работни процеси с GPT‑Live‑1 е чрез OpenAI Presence, който използва модела за гласови взаимодействия в реално време. Presence помага на предприятията да внедряват надеждни агенти с ИИ, които могат да отговарят на въпроси, да решават проблеми, да използват фирмени системи, да извършват одобрени действия и при нужда да предават случая на служител. Свържете се с отговорника за вашата компания в OpenAI, за да научите повече.

Автор

OpenAI

Продължавайте да четете

Вижте всички
Helping teens learn, plan, and shape the future of AI — Cover
Помагаме на младежите да учат, планират и оформят бъдещето на ИИ

Продукт

GPT-6 и интелигентен интерфейс за всеки

Продукт

Building advertising for the way people use AI — Cover
Създаваме реклама, съобразена с начина, по който хората използват ИИ

Продукт