Vi lanserer GPT‑Live‑1 i API-et og gir utviklere en kraftig, naturlig talemodell for å bygge taleaktiverte apper og arbeidsflyter for virksomheter. GPT‑Live‑1, som først ble introdusert i ChatGPT, kan lytte og snakke samtidig og, som vi har sett med Codex og ChatGPT Work⁠(åpnes i et nytt vindu), delegere dypere resonnering og handlinger til modellene og verktøyene den er koblet sammen med.

I API-lanseringen av GPT‑Live‑1 har vi lagt vekt på nye funksjoner som lar utviklere styre og tilpasse stemmeopplevelser etter brukerne, arbeidsflytene og målene deres. En sentral styrke ved GPT‑Live‑1, sømløs håndtering av avbrytelser, har allerede forretningsmessig betydning: I tidlige evalueringer fant Speak ut at GPT‑Live‑1 ga elevene mer tid til å tenke før språklæreren svarte, og reduserte avbrytelser med nesten 80 % sammenlignet med tidligere turbaserte systemer.

Viktige styrker ved GPT‑Live‑1 i API-et:

• Håndtering av avbrytelser: Forbedrer håndteringen av avbrytelser gjennom én modell som resonnerer over innkommende og utgående lyd samlet, og unngår dermed ventetiden og sårbare overganger i kjedede STT–LLM–TTS-arkitekturer.

• Delegering av resonnering og verktøykall: GPT‑Live‑1 kan delegere resonnering og verktøykall til en backend-tekstmodell som GPT‑6 Astra eller en tredjepartsmodell.

• Tone, tempo og stil: Utviklere kan forme agentens tone, tempo og samtalestil gjennom system-prompten.

• Stille konteksthåndtering og bakgrunnsstøy: Håndterer bakgrunnsstøy og stillhet bedre uten å avbryte samtalen eller lese opp hvert trinn.

• Pålitelighet i lange økter: Gir bedre bevaring av kontekst og samtalekvalitet gjennom lengre interaksjoner.

• Telefonistøtte: Muliggjør bruk av full-duplex-taleagenter for telefonsamtaler, alt fra restaurantreservasjoner til kundestøtte.

Tradisjonelle taleagenter kobler sammen tale-til-tekst, en resonneringsmodell og tekst-til-tale. Hver overgang øker forsinkelsen og gir flere muligheter til å miste timing, kontekst eller den naturlige rytmen i en samtale. Det er ofte utviklerne som må koordinere disse trinnene, blant annet hva som skjer når noen avbryter, tar en pause eller skifter retning.

OpenAI GPT‑Live‑1 håndterer både lytting og tale i én og samme modell, noe som forenkler talelaget. Den kan reagere på avbrytelser og bekreftelser idet de skjer, samtidig som den overlater mer omfattende resonnement til backend-systemet. Dermed kan samtalen fortsette mens arbeidet pågår i bakgrunnen.

Utviklerne velger modellene, verktøyene og agentrammeverket bak samtalen. De kan for eksempel kombinere OpenAI GPT‑Live‑1 med en modell som Luna for oppgaver med høyt volum, som planlegging eller ordreoppdateringer, og bruke en modell som Astra til komplekse kundeproblemer som krever resonnering. Med denne fleksibiliteten kan utviklerne tilpasse dybden på resonneringen, hastigheten og kostnaden til hver oppgave.

GPT‑Live‑1 har ASR-transkripsjoner og svartekst innebygd. Den har også god forståelse av alfanumerisk innhold og støtter vekting av nøkkelord. Selv om GPT‑Live‑1 ikke er en turbasert modell, har den innebygd støtte for å registrere turskifter, slik at utviklere fortsatt kan bygge rundt eksplisitte turgrenser.

I evalueringene våre forbedrer GPT‑Live‑1 ytelsen på Full Duplex Bench med 30 prosentpoeng sammenlignet med GPT‑Realtime‑2.1, med store forbedringer i forsinkelse ved turtaking og interaktiv atferd. Kombinert med GPT‑6 Astra med middels resonneringsinnsats rangeres den også som nummer én på Tau3, som måler Intelligens til banebrytende taleagenter i ende-til-ende-oppgaver.

Utviklere trenger stemmer som passer produktet deres og høres naturlige ut for brukerne. Med OpenAI GPT‑Live‑1 utvider vi fra et lite utvalg sanntidsstemmer til et bredere utvalg aksenter, dialekter og språk, slik at utviklere får større valgfrihet i hvordan assistentene deres høres ut.

Vi fortsetter å utvide stemmealternativene og språktilbudet i månedene som kommer.

OpenAI GPT‑Live‑1 er tilgjengelig i API-et⁠(åpnes i et nytt vindu) i dag til 0,05 dollar per minutt for stemmelaget i front-end. Kombiner den med backend-modellen og agentrammeverket som passer produktet ditt, og bygg deretter en taleopplevelse som kan skaleres i takt med arbeidet den utfører.

For å få tilgang til tilpassede stemmer kan du kontakte salgsavdelingen for å finne ut mer om kvalifikasjonskravene og søknadsprosessen.

En annen måte å bygge talebaserte arbeidsflyter på med GPT‑Live‑1 er med OpenAI Presence, som bruker modellen til å muliggjøre taleinteraksjoner i sanntid. Presence hjelper virksomheter med å ta i bruk pålitelige AI-agenter som kan svare på spørsmål, løse problemer, bruke bedriftens systemer, utføre godkjente handlinger og eskalere til mennesker ved behov. Ta kontakt med OpenAI-kundekontakten din for å finne ut mer.