OpenAI 開放 GPT-Live-1 API，語音層和推理層分開計費

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

台北時間 9 月 11 日凌晨 1 點 20 分，OpenAI 的開發者帳號 @OpenAIDevs 在 X 上發文，開場只有短短一行：「GPT-Live-1 is now available in the API」。這個兩個月前先在 ChatGPT 上線的全雙工語音模型，正式開放給所有 API 開發者，而且計費結構和直覺想的不一樣：每分鐘 0.05 美元買到的只有「聽與說」這一層，真正負責思考的後端模型由開發者自己挑選，費用另外計算。

換句話說，OpenAI 把「會講話的介面」變成 API 目錄裡可以單獨下單的品項。語音層和推理層從此分家，架構上怎麼拆，帳單上就怎麼拆。這對已經有一套文字代理工作流的團隊最有感：原本的流程不必重寫，把語音當成一層皮套上去，後端繼續用自己選的模型和工具。

發布的時間點也值得記一筆。9 月 8 日 OpenAI 才推出 ChatGPT Images 2.5，9 月 10 日這天又連發多項更新，API 端有 Agents API 公開測試，產品端同日發表 ChatGPT Work 資料代理；GPT-Live-1 的 API 版就掛在同一天的 changelog 上。

先在 ChatGPT 蹲了兩個月，這次差別在後端能不能選

GPT-Live-1 不是全新模型。7 月 8 日，Sam Altman 在 X 上宣布「GPT-live（下一代語音）今天在 ChatGPT 上線」，還補了一句自己的使用感想：他一向偏好打字而不是對著 AI 說話，但這次他覺得這個習慣會改變。當時的安排是 Go、Plus、Pro 訂閱用戶預設使用 GPT-Live-1，免費用戶拿到輕量版 GPT-Live-1 mini。OpenAI 也給了規模數字：每週有超過 1.5 億人透過語音與聽寫功能和 ChatGPT 交談。

消費端和 API 版有一個關鍵差異：後端模型誰決定。7 月上線時 OpenAI 明講，GPT-Live 背後搭配的是 GPT-5.5，之後會隨新模型推出持續更新，使用者無從選擇。這次進 API，後端變成開發者的選擇題：官方文件建議從 GPT-5.6 Terra 起步，成本敏感的場景可以考慮 GPT-5.6 Luna；官方部落格舉的例子，是把排程、訂單更新這類高流量任務交給 Luna、把需要推理的複雜客訴留給 GPT-6 Astra（這個模型的 落地應用案例我們先前整理過）。甚至不一定要用 OpenAI 的模型：走用戶端委派模式，後端接第三方模型或自家代理框架都可以。

兩個月的中間還有一條治理線索。7 月 31 日 OpenAI 在原始公告上追加更新：GPT-Live 產生的語音加入 SynthID 浮水印，並開放驗證 API，讓開發者與組織能把來源檢查放進自己的工作流。這條更新明載 SynthID 浮水印適用於 GPT-Live 經 ChatGPT Voice 與 OpenAI API 產生的音訊，API 版出生就在這套設計之內。

全雙工改變的不是速度，是可以插話

要理解 GPT-Live-1 在解決什麼，可以先看官方對三種語音架構的分工。最傳統的串接式管線，是語音轉文字、語言模型想答案、文字再轉語音，三段接力，每個交接都會掉時間、掉脈絡；上一代的 Realtime API 把這三件事收進單一模型，延遲變短，但本質上仍是輪流發言的對講機邏輯，模型要等你說完才開口，而「說完」的判定靠靜音偵測，一個猶豫或一點背景雜音就可能被誤判。

GPT-Live-1 走的全雙工（full duplex）是另一回事：同一個模型持續處理進來和出去的音訊，邊說邊聽。官方在消費端公告裡描述，模型每秒可以做多次互動決策，決定要開口、繼續聽、停頓、打斷對方，還是呼叫工具。這讓「插話」變成合法操作：使用者可以在 AI 唸到一半時補一句「改成六點半」，不必等它講完整段。

從官方文件與客戶描述看，全雙工帶來的不只是可以插話。模型會在聆聽時發出「嗯」「了解」這類短應答（官方文件稱為 backchannel），也會在你思考時安靜等待。Yelp 在新聞稿裡描述了電話端的版本：來電者可以中途換話題、對旁邊的人說句話再回來，語音 AI 還能從語氣察覺興奮、不耐煩或沮喪並調整回應；配合 Yelp 自家疊上去的語言加強層，能用接近任何語言接聽，不因語言隔閡漏掉客戶。

量化數字方面，OpenAI 在公告中宣稱，GPT-Live-1 在 Full Duplex Bench 上比 GPT-Realtime-2.1 高出 30 個百分點，主要增益在輪替延遲與互動行為；搭配 GPT-6 Astra（中等推理力度）在 Tau3 語音代理評測拿下榜首。要注意這些是官方自辦的評測，獨立第三方的覆核結果目前沒有公開數字，官方也沒有揭露打斷反應的毫秒級數字，只給了相對指標。

落地場景裡最有參考價值的是語言學習平台 Speak 的數字。OpenAI 引述 Speak 的早期評估：導入後系統給了學習者更多思考時間，打斷次數比先前的輪替式系統減少將近八成。這是客戶端數字，同樣由 OpenAI 轉述，不是獨立驗證，但至少給了「全雙工到底改善什麼」一個可追蹤的指標：打斷變少、等待變自然，而不是回答變快。

對開發者還有一項容易漏看的實用能力：GPT-Live-1 原生輸出語音辨識逐字稿與回應文字，不必再外掛一套轉錄服務。它對電話號碼、訂單編號這類英數字元的辨識有特別加強，也支援關鍵詞偏置，可以把自己產品裡的專有名詞先餵給它，降低專有名詞被聽錯的機率。它本質上不是輪替式模型，但仍原生支援發言權判定，需要明確輪次邊界的流程（例如逐步確認的表單填寫）照樣建得起來。

0.05 美元買耳朵和嘴巴，大腦另外點菜

計費是這次發布裡最實用的資訊。官方模型頁寫得明確：語音連線階段（session）每分鐘 0.05 美元，按秒計費，時間不會進位到整分鐘；後端模型與工具的用量走各自的正常計價，完全分開。換算一下，連續講一個小時的語音層是 3 美元，而這只是「聽與說」的費用，推理成本要再按後端模型的 token 計價疊上去。

Pin

配額以併發連線數計算，不看 token。免費層不支援這個模型；付費層從 Tier 1 的 25 個併發連線起跳，Tier 5 到 500 個。要在產品裡做多線客服的團隊，先對照自己的用量等級，再評估尖峰時段的併發需求。

聲音的部分，官方從原本少數幾個即時語音，擴充到更多口音、方言與語言的選擇，並預告未來幾個月會繼續增加。想要客製聲音（例如品牌專屬的聲線）沒有自助流程，要聯繫銷售談資格與申請。企業如果不想自己組架構，另有 OpenAI Presence 這條官方代管路線，用 GPT-Live-1 驅動即時語音互動，細節同樣透過帳戶團隊接洽。

邊界畫在你的程式裡，打斷話語不會取消訂單

官方文件裡有一句話，值得每個要做語音代理的人抄下來：你的應用程式擁有權限、確認動作、私有函式執行與持久任務狀態。更具體的還有下一句：打斷語音輸出，並不會自動取消後端正在跑的工作。

Pin

這兩句畫出的邊界很實際。使用者對著電話喊「等等，先不要訂」，前端會停下來聽，但後端那張已經送出的查詢或預約建立，取消邏輯要你自己寫。模型保證的是對話不中斷、工作不卡死，不保證商業規則自動正確。官方文件也提醒，詳細的業務規則該放在後端的提示詞裡，說話的風格才放在語音層的提示詞，兩層分工不要混。

文件裡另一個容易被忽略的提醒，是審核後端結果不等於審核模型說出口的每個字。官方明講：檢查後端輸出是一個獨立決定，它不會替 GPT-Live 說的每句話背書，也不保證驗證執行期間模型會保持沉默。要防止代理在驗證還沒完成時先把優惠方案唸出口，得靠播放控制這類伺服器端機制自己攔。換個說法：語音層的流暢和治理的嚴謹，是兩條要分開驗收的線。

和自家產品線的取捨，官方文件給了一張清楚的對照：GPT-Live 適合「全雙工對話加獨立後端」，保留你既有的文字工作流；Realtime API 適合把語音、推理、工具全交給同一個模型；串接式管線留給需要逐步檢查、替換每個環節的場景。沒有誰取代誰，是採購清單上的三種不同單元。

Yelp 把它塞進餐廳電話線，Speak 拿它上語言課

首波客戶名單裡最有畫面的是 Yelp。依 Yelp 官方新聞稿，旗下餐廳語音接聽產品 Yelp Host 與服務業通訊平台 Hatch 都已完成 GPT-Live-1 整合，在這個模型最早部署的解決方案之列。Yelp Host 從 2025 年 10 月上線至今，已處理超過 100 萬通餐廳電話；Hatch 則是 2018 年創立、2026 年加入 Yelp 的平台，管理語音、簡訊、電子郵件與網頁等通路。

Yelp 產品長 Akhil Kuduvalli Ramesh 在新聞稿裡的定位很直白：GPT-Live-1 改變的是每一通電話的對話感，而 Yelp Host 的價值在於對每家餐廳營運的理解。大規模生產測試的初期結果，是通話處理表現改善、轉接次數減少；來電者開始用完整的自然句子說話，而不是對著機器蹦關鍵詞，通話後的逐字稿也更乾淨。Hatch 執行長 Chris Bache 的說法則點出分工：聲音模型讓對話變自然，但懂水電行的排班規則與緊急派工邏輯，是他們累積多年的營運智慧。

電話場景正好踩在 GPT-Live-1 的支援範圍內。連線方式有四條路：瀏覽器用 WebRTC、伺服器端用 WebSocket、既有多媒體管線可以接 LiveKit、Twilio、Telnyx、Daily 與 Pipecat 這些合作夥伴，電話整合另有 Telephony 與 SIP 的文件。對要經營預約型電話業務的團隊來說，現在多了一個不必自己拼裝全雙工能力的選項。

現在能動手的地方，以及還沒定案的部分

想試的人，入口都在官方文件：GPT-Live 指南提供 WebRTC 快速上手，模型頁有計價與配額細節，從 Realtime 或文字代理搬遷另有遷移指南。實作可以先從代管後端的 Responses 委派模式起步，需要自己控制後端上下文或接第三方模型時，再換用戶端委派；兩種模式在建立連線階段時就決定，中途切換要重開新的連線。不過在同一種模式內，後端模型、提示詞與工具清單可以用 session.update 在通話中途更換，不必掛斷重連。

評測方法官方也給了原則，對自建測試的團隊直接可用：對話品質和任務結果要分開量，聽起來自然的回應不能證明工具真的執行、狀態真的改變；量延遲時，要把真正有用的口頭答案和「嗯，我查一下」這種應答分開計時，早一聲應答不代表結果早到。

還沒定案的部分，目前是這些。聲音與語言清單官方明說會持續擴充，現在看到的選項不是最終狀態；免費層目前不支援；打斷處理與通話品質的表現，公開資訊只有官方評測與客戶轉述數字，沒有第三方覆核。價格與建議後端的名稱（Terra、Luna 這類）隨版本更迭變動的機會不低，動手前值得再對一次官方頁面。

整體看，這次發布真正的變動，是語音互動層在 OpenAI 的 API 裡成為可以單獨採購、單獨計費、後端完全自選的單元。會講話的介面變得容易取得了，治理與正確性的責任，則明文留在整合的人身上。