GPT-Live-1进入语音API

GPT-Live-1在9月10日进入API，标志着语音Agent开始被拆成可以采购、计费和接入业务流程的前端层。OpenAI公告写明，GPT-Live-1 is available in the API today，并把价格、全双工评测、打断减少、客户代码减少和12种声音选项放在同一页。

公告确认的产品范围很集中。GPT-Live-1面向开发者构建voice-enabled apps and business workflows。它可以同时听和说，支持更自然的打断处理、语音风格控制、静默上下文管理、长会话可靠性和电话场景部署。OpenAI还强调，它可以把更深推理和工具调用委托给后端文本模型或第三方模型。

效果数字需要保持边界。Full Duplex Bench的+30百分点、Speak场景中近80%的打断减少、Tau3上的#1排名，以及客户案例里的23K行和80%代码减少，都来自OpenAI公告或公告中的客户引语。它们足以构成今天的产品新闻，但还不是跨行业复现后的通用效果。

对开发者和企业买方来说，这条新闻的直接影响在架构选择。过去语音Agent常见做法是ASR、LLM、TTS、电话网关和工具执行层串成一条级联管线；GPT-Live-1把“前端语音层”独立计价到每分钟0.05美元，再让后端模型处理复杂推理。这会让团队更容易试点，也会把成本、合规和工具权限拆成更清楚的采购问题。

数字先对齐口径

OpenAI公告里的几个数字容易被写错，尤其是“percentage points”和客户引语。Full Duplex Bench的变化是相对GPT-Realtime-2.1提高30 percentage points，中文应写成“提高30个百分点”或“+30百分点”，不是“提高30%”。Speak案例里“almost 80% fewer interruptions”比较对象是previous turn-based systems，也不是和GPT-Realtime-2.1比较。

原文口径	可采用中文表述	不能外推成
available in the API today	9月10日公告称API今天可用	早在此前已全面可用
$0.05 per minute for the front-end voice layer	前端语音层每分钟0.05美元	完整语音Agent总成本每分钟0.05美元
30 percentage points over GPT-Realtime-2.1	Full Duplex Bench相对GPT-Realtime-2.1提高30百分点	性能提高30%或所有任务都提高30%
almost 80% fewer interruptions vs previous turn-based systems	Speak早期评估中打断近80%更少	所有客户通话打断减少80%
23K lines and 80% fewer codebase	某客户引语称相对cascaded build减少23K行和80%代码	所有开发者都能减少80%代码

这些限定不是文字洁癖，而是语音Agent产品里最容易出错的地方。实时语音系统的体验很受任务、噪声、设备、语言、线路、用户打断习惯和后端工具延迟影响。一个官方bench能说明模型方向，但不能替代电话客服、在线教育、销售外呼、医疗问答或内部IT支持里的真实A/B测试。

GPT-Live-1改变的是语音栈分工

传统语音Agent通常由多段系统级联。用户说话先进入语音识别，文本交给模型，模型再生成文本，最后交给语音合成。这个架构的优点是模块清楚，缺点是每一段都会引入延迟和状态损耗。用户突然打断、背景噪音插入、模型准备调用工具、电话线路有抖动时，系统很容易出现“还在说上一轮答案”“误以为用户已经说完”“工具结果回来后语气断裂”等体验问题。

GPT-Live-1的叙事重点正好对准这些问题。OpenAI把它称为natural voice model，用于voice-enabled apps and business workflows。采集到的官方要点显示，它支持同时听和说，目标是更自然地处理打断；支持语音风格控制，意味着开发者可以围绕品牌、场景和情绪做更细的交互设计；支持静默上下文管理和长会话可靠性，意味着它不是只为几十秒演示设计。

开发者文档给这个判断提供了背景。Realtime API指南强调，实时语音交互适合需要barge-in、低first-audio latency、natural turn taking和realtime tool use的场景。文档里的基本流程是应用服务器创建临时client secret，前端创建RealtimeSession，再通过浏览器WebRTC或服务端WebSocket连接。它还明确把audio transport放在session层，把业务逻辑放在agent定义里。

这和GPT-Live-1公告里的“front-end voice layer”是同一套工程取向。前端语音层不承担所有推理，它负责实时听说、打断、语音呈现和会话前端体验；后端则可以接GPT-6 Astra medium reasoning或其他文本模型，负责长链推理、检索、业务工具、审批和记录。语音Agent不再被看成一个单体模型，而是被拆成可组合系统。

价格看似简单，账单并不简单

每分钟0.05美元是这次最容易传播的价格数字。它的价值在于给开发者一个可以估算的前端语音成本：十分钟连续会话的前端语音层是0.50美元，一小时是3美元。对于客服、教育陪练、销售咨询和内部支持来说，这比按token想象语音成本更直观。

但公告原文限定为front-end voice layer。这个短语很关键。它不包括后端模型推理，不包括外部工具调用，不包括电话/SIP线路费用，不包括日志存储、质检、回放和企业安全网关，也不包括失败重试带来的额外会话时长。若一个语音Agent在电话里先接收用户问题，再调用CRM、知识库、订单系统和支付流程，实际成本会被多层账单叠加。

成本项	是否由0.05美元覆盖	采购时应核算什么
前端语音层	是，按公告口径	会话时长、并发和闲置等待
后端推理模型	否	GPT-6 Astra或其他模型的输入输出价格
工具调用	否	检索、数据库、CRM和第三方API成本
电话连接	未在公告数字中覆盖	SIP、录音、转写和地区线路费用
合规审计	未在公告数字中覆盖	日志留存、脱敏、权限和人工复核

因此，0.05美元每分钟更像一个可报价的入口层，而不是完整语音Agent的总拥有成本。它会降低试点门槛，因为团队可以先把语音交互拆出来算账；它也会暴露真正的成本中心，因为后端推理、工具权限、电话连接和审计留存会在企业场景里被单独追问。

Benchmarks说明了目标场景

Full Duplex Bench的+30百分点是最能说明产品方向的指标。名字里的full duplex意味着评测关注双方同时听说和自然打断，而不是传统“用户说完一句，系统再回答一句”的回合制体验。OpenAI把比较对象写成GPT-Realtime-2.1，说明这不是和文本模型跑分比较，而是在实时语音模型线上迭代。

Speak案例给了另一个角度。公告称，在Speak的早期评估中，GPT-Live-1相对previous turn-based systems让打断减少almost 80%。这里的关键词是early evaluations、Speak和previous turn-based systems。早报采用时必须保留这三个限定：这是客户早期评估，不是OpenAI全体客户平均值；这是Speak的场景，不是所有电话业务；比较对象是此前回合制系统，不是GPT-Realtime-2.1。

Tau3上的#1排名也要谨慎读。采集记录保留的口径是“paired with GPT-6 Astra at medium reasoning effort”。这说明结果不是GPT-Live-1单独完成一切，而是语音层与后端推理模型组合后的结果。它更像在验证“语音前端 + 推理后端”的系统架构，而不是单个语音模型的孤立能力。

客户代码减少数字同样如此。一家客户称，相对cascaded build，GPT-Live-1简化80%代码库并移除23K行代码。这个数字很有工程含义，因为它说明全双工语音模型可能把ASR、TTS、turn-taking、打断处理和部分状态管理从应用层移走。但它仍是客户引语，不应写成所有团队都能少写23K行。

12种声音和自定义声音背后的产品问题

公告列出的12种voice options包括Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta和Cinder。对普通模型发布来说，声音列表可能只是体验项；对语音Agent来说，它直接影响品牌、信任和场景适配。客服语音、教育陪练、医疗前台、销售顾问和车载助手，对语速、语调、情绪稳定性和可识别性都有不同要求。

声音选项还会带来治理问题。OpenAI公告提到自定义声音需要联系销售了解资格和流程，这意味着自定义声音不会和普通API参数一样完全自助。这里应关注的不只是能不能克隆某种声音，而是企业是否能证明授权、控制使用范围、撤销不合规声音、记录生成历史，并避免让用户误以为正在和真人通话。

这也是语音Agent和文本Agent的分水岭。文本输出的错误可以被截图、复制和审计；语音输出一旦进入电话或实时会话，用户的情绪反馈更强，误导成本更高，录音和转写也会牵涉地区合规。GPT-Live-1如果要进入业务流程，声音治理、会话告知、转人工策略和安全标识都会成为产品的一部分。

OpenAI Realtime API文档里的safety identifier提示值得放进背景：如果应用识别终端用户，文档建议在Realtime API请求中加入OpenAI-Safety-Identifier，使用稳定且保护隐私的值，例如哈希后的内部用户ID。文档还说明，安全标识不会从Responses API请求或其他session自动继承。这意味着实时语音会话需要单独建立安全归因，而不是沿用文本请求的默认链路。

对开发者的真正变化

GPT-Live-1给开发者的第一层变化是少搭一段栈。过去一个可用语音Agent需要处理音频采集、语音识别、模型上下文、语音合成、打断、回放、电话连接和工具调用。现在前端语音层至少把实时听说、打断和会话体验收进同一个API语境里。客户案例里的23K行减少和80%简化，正是这个方向的强信号，虽然它不能外推。

第二层变化是职责边界更清楚。开发者文档建议把audio transport concerns放在session layer，把business logic放在agent definition。换成业务语言，就是语音连接、音频事件和实时会话不应和订单查询、知识库检索、退款审批、课程计划这类业务逻辑混在一起。这样的分工会降低试错成本，也会让审计更容易。

第三层变化是产品经理可以更早参与。语音风格、打断策略、静默处理、转人工触发、失败提示、身份确认和告知话术，都是体验设计问题，不只是工程参数。GPT-Live-1提供12种声音选项并强调语音风格控制，意味着企业需要把“说什么”和“怎么说”同时纳入上线标准。

第四层变化是后端模型选择被显性化。公告里的Tau3 #1结果搭配的是GPT-6 Astra medium reasoning，这提示团队不要把语音模型当成万能脑。低延迟前端语音层负责交互，后端文本模型负责复杂推理和工具使用。企业可以根据任务价值选择不同后端，不必让所有通话都跑最高价模型。

来源核查摘记

新闻锚点：OpenAI官方公告标题为“Build more natural voice experiences with GPT-Live-1 in the API”，采集记录日期为2026-09-10。
可用状态：采集摘录保留“GPT-Live-1 is available in the API today”。
价格口径：采集摘录保留“$0.05 per minute for the front-end voice layer”。
Bench口径：采集要点保留“Full Duplex Bench … 30 percentage points over GPT-Realtime-2.1”。
客户数字：采集要点明确标为一家客户相对cascaded build的引语。

仍要等待第三方复核

这条新闻的置信度高，是因为OpenAI官方公告确实在目标窗口内发布，且关键数字来自同一公告和官方文档背景。它的效果置信度不能同样写成“已被行业验证”。Full Duplex Bench、Speak早期评估、Tau3组合排名和客户代码减少，都需要第三方复核或更多客户样本。

最该跟踪的是评测定义。Full Duplex Bench如果公开任务集、打分方法和失败样例，开发者才能判断它是否覆盖自己的场景。Speak的近80%打断减少如果能在更多语言、口音、噪声和通话时长里复现，才说明全双工语音对真实业务有稳定收益。Tau3结果如果能拆出语音层和后端推理层各自贡献，系统架构判断会更清楚。

成本也需要真实账本。每分钟0.05美元足够吸引试点，但一条生产级语音Agent链路还有电话、后端模型、工具、数据、审计和人工复核。企业采购不会只看单分钟标价，而会看每个成功解决的问题、每次转人工、每个失败回放和每个合规事件的成本。

最后是合规。电话场景部署意味着录音、转写、身份确认、地区监管和用户告知。自定义声音意味着授权、品牌和误导风险。安全标识意味着实时会话需要可追踪但保护隐私的用户归因。GPT-Live-1降低了搭建语音Agent的工程门槛，却同时把更多生产系统问题推到上线前。

早报观点

GPT-Live-1的产品意义在于把语音Agent从“拼一条低延迟管线”改成“购买一个实时语音前端层”。这会让更多团队开始试点，因为最难感知的打断、轮次和声音体验被OpenAI收进统一API。

早报判断是，OpenAI这次没有只卖模型能力，而是在重画语音Agent的成本表。前端语音层按分钟计费，后端推理按模型计费，工具和电话按业务计费，审计和安全按企业流程计费。拆开之后，采购方更容易问清每一层，也更容易发现哪些成本不能被官方单价覆盖。

这对OpenAI有利，也给开发者留下了边界。全双工语音如果成立，会替代一批自建ASR和TTS编排；但业务逻辑、权限、合规、转人工和失败恢复仍在客户侧。真正能规模化的语音Agent，不会只靠声音自然，而要把这些后端责任一起工程化。

接下来看什么

公开评测要先补样本。Full Duplex Bench的任务、样本和评分如果继续只停留在公告摘要，开发者只能把+30百分点当作方向信号。若OpenAI或第三方公布更细的对话样例、打断失败类型和延迟分布，它才会变成可采购的工程指标。

客户复现决定真实含金量。Speak近80%打断减少很有说服力，但它来自早期评估。后续应看更多行业案例，尤其是电话客服、语言学习、医疗前台、销售线索筛选和内部IT支持。不同场景的噪声、打断密度、合规要求和任务时长都不同，复现难度也不同。

成本拆账会影响试点速度。每分钟0.05美元让前端语音层有了清楚价格，下一步要看后端推理模型、工具调用、电话连接和日志审计如何叠加。若OpenAI能给出端到端样例账单，企业试点会更快；若只能给单层价格，采购方仍要自己建模型。

声音治理和安全归因会进入上线清单。12种voice options是产品体验起点，自定义声音资格和流程才是企业上线关键。Realtime文档建议为终端用户传入安全标识，并说明标识不会从其他session自动继承；语音Agent一旦接入订单、账户、学习记录或医疗信息，企业必须确保每个实时会话都有可追踪的权限边界。

GPT-Live-1因此值得放在今天的重点位。它不是单纯多了一个声音模型，而是把实时语音的产品边界、价格边界和系统边界同时前移。今天能确认的是API可用、关键数字和官方架构方向；还不能确认的是这些指标在更多客户、更多语言和更多真实电话流程里的可复现程度。