GPT‑Live‑1 ของ OpenAI เปิดให้ใช้ใน API ที่ราคา $0.05 ต่อหนึ่งนาที

OpenAI เปิดตัว GPT‑Live‑1 ใน API เมื่อวันที่ 10 กันยายน 2026 ทำให้โมเดลเสียงแบบเต็ม‑ดูเพล็กซ์ของบริษัทพร้อมให้ผู้พัฒนานำไปใช้ในราคา $0.05 ต่อหนึ่งนาทีสำหรับชั้นเสียงส่วนหน้า การเปิดตัวนี้ขยายระบบสนทนาที่อยู่เบื้องหลัง ChatGPT Voice ไปสู่แอปพลิเคชันของบุคคลที่สามและเวิร์กโฟลว์ธุรกิจ

GPT‑Live‑1 สามารถฟังและพูดพร้อมกันได้ และ OpenAI ระบุว่าโมเดลนี้มอบการให้เหตุผลและการกระทำที่ลึกซึ้งให้กับโมเดลและเครื่องมือที่จับคู่ด้วย เช่น Codex และ ChatGPT Work สำหรับการเปิดตัวใน API บริษัทได้มุ่งเน้นความสามารถที่ให้ผู้พัฒนาควบคุมและปรับแต่งประสบการณ์เสียงให้สอดคล้องกับผู้ใช้ เวิร์กโฟลว์ และเป้าหมายของตน

โมเดลเดียวสำหรับการฟังและการพูด

ตัวแทนเสียงแบบดั้งเดิมมักเชื่อมต่อขั้นตอนการแปลงเสียงเป็นข้อความ (speech‑to‑text) โมเดลการให้เหตุผล และการแปลงข้อความเป็นเสียง (text‑to‑speech) ต่อเนื่องกัน ซึ่งแต่ละขั้นตอนเพิ่มความล่าช้าและเพิ่มโอกาสให้เสียเวลา บริบท หรือจังหวะธรรมชาติของการสนทนา GPT‑Live‑1 จัดการการฟังและการพูดภายในโมเดลเดียวที่ทำการให้เหตุผลต่อเสียงเข้าและออกพร้อมกัน ตอบสนองต่อการขัดจังหวะและการรับรู้ในขณะเกิดขึ้น พร้อมมอบการให้เหตุผลที่ลึกซึ้งให้กับแบ็กเอนด์ ทำให้การสนทนาสามารถดำเนินต่อได้ขณะที่งานทำงานเบื้องหลัง

ผู้พัฒนาสามารถเลือกโมเดล เครื่องมือ และโครงสร้างตัวแทนที่อยู่เบื้องหลังการสนทนา OpenAI ยกตัวอย่างการจับคู่ GPT‑Live‑1 กับโมเดลเช่น Luna สำหรับงานปริมาณสูง เช่น การจัดตารางหรืออัปเดตคำสั่งซื้อ และกับโมเดลเช่น Astra สำหรับปัญหาลูกค้าที่ซับซ้อนที่ต้องการการให้เหตุผล; แบ็กเอนด์ยังสามารถเป็นโมเดลของบุคคลที่สามได้ ผู้พัฒนาสามารถกำหนดโทน เสียงเร็ว และสไตล์การสนทนาของตัวแทนผ่านพรอมต์ระบบได้

OpenAI ระบุจุดแข็งเพิ่มเติมสำหรับการเปิดตัว API: การจัดการบริบทแบบเงียบและการจัดการเสียงรบกวนพื้นหลังโดยไม่ต้องบรรยายทุกขั้นตอนออกเสียง การเก็บรักษาบริบทตลอดเซสชันที่ต่อเนื่อง และการสนับสนุนระบบโทรศัพท์สำหรับตัวแทนโทรศัพท์เต็ม‑ดูเพล็กซ์ในการรับสายตั้งแต่การจองร้านอาหารจนถึงการสนับสนุนลูกค้า GPT‑Live‑1 ให้บริการการถอดเสียง ASR และข้อความตอบกลับโดยอัตโนมัติ รองรับการให้ความสำคัญกับคีย์เวิร์ดและการเข้าใจอักขระผสมตัวอักษรและตัวเลข และแม้จะไม่ใช่โมเดลแบบเทิร์น‑เบส แต่ก็รองรับการตรวจจับเทิร์นโดยอัตโนมัติ เพื่อให้ผู้พัฒนาสามารถสร้างต่อบนขอบเขตเทิร์นที่ชัดเจน ตัวอย่างโค้ดที่เผยแพร่พร้อมกับการประกาศแสดงให้เห็นแอปพลิเคชันส่งบริบทการสนทนาไปยัง Codex และส่งคำตอบของ Codex กลับไปยัง GPT‑Live‑1 ระหว่างเซสชัน

ผลการประเมินที่รายงาน

OpenAI รายงานว่า GPT‑Live‑1 ปรับปรุงประสิทธิภาพ Full Duplex Bench ได้เพิ่มขึ้น 30 จุดเปอร์เซ็นต์เหนือ GPT‑Realtime‑2.1 พร้อมกับการลดเวลาตอบสนองและพฤติกรรมเชิงโต้ตอบอย่างมีนัยสำคัญ และยังได้อันดับหนึ่งใน Tau3 ซึ่งเป็นมาตรฐานวัดความฉลาดของตัวแทนเสียงระดับแนวหน้าในงานแบบ end‑to‑end เมื่อจับคู่กับ GPT‑6 Astra ที่ระดับความพยายามในการให้เหตุผลปานกลาง

ในการประเมิน Tau3 (Voice) Intelligence ซึ่งวัดงานบริการลูกค้าแบบพูดในอุตสาหกรรมการบิน ค้าปลีก และโทรคมนาคม คะแนน Pass@1 ที่สำเร็จของ OpenAI รายงานอยู่ที่ 86.2% สำหรับ GPT‑Live‑1 เทียบกับ 45.7% สำหรับ GPT‑Realtime‑2.1 และ 42.4% สำหรับ GPT‑Realtime‑2 ส่วนใน Tau Banking (Voice) Knowledge ที่วัดอัตราการทำสำเร็จของงานความรู้ด้านธนาคาร 97 งาน ตัวเลขที่รายงานคือ 32.0% เทียบกับ 12.4% และ 10.3%

บริษัทยังรายงานคะแนนเฉลี่ย Artificial Analysis Conversational Dynamics ที่ 97.3% สำหรับ GPT‑Live‑1 เทียบกับ 95.7% สำหรับ GPT‑Realtime‑2.1 และ 95.3% สำหรับ GPT‑Realtime‑2 ในการประเมินที่ครอบคลุมการจัดการการหยุดพัก การรับเทิร์นในการสนทนา การขัดจังหวะ และการตอบสนองแบบ backchannel ใน Full Duplex Bench v1.5 Interactivity ซึ่งทดสอบการตอบสนองต่อเสียงพื้นหลัง การพูดต่อบุคคลอื่น การตอบสนองของผู้ฟัง และการขัดจังหวะ คะแนนที่รายงานคือ 80.10% เทียบกับ 45.4% และ 47.8% ค่าความหน่วงเวลาในการรับเทิร์นของ Full Duplex Bench v1 ที่วัดว่าตัวแทนเริ่มตอบหลังจากผู้ใช้จบเทิร์นเร็วแค่ไหน อยู่ที่ 0.798 วินาที เทียบกับ 1.41 วินาทีและ 1.63 วินาที ใน Full Duplex Bench v3 ที่ดำเนินการด้วยแบ็กเอนด์ Terra ที่ความพยายามในการให้เหตุผลต่ำ OpenAI รายงาน Pass@1 ของการเรียกเครื่องมือที่ 87.0% เทียบกับ 60.0% และ 58.0% และคุณภาพการตอบกลับที่ 90.0% เทียบกับ 88.0% และ 81.0%

จาก ChatGPT Voice สู่ API

OpenAI เปิดตัว GPT‑Live เมื่อวันที่ 8 กรกฎาคม 2026 ในฐานะรุ่นใหม่ของโมเดลเสียงเต็ม‑ดูเพล็กซ์ที่ขับเคลื่อน ChatGPT Voice โดยได้เปิดให้ใช้ GPT‑Live‑1 และ GPT‑Live‑1 mini กับผู้ใช้ ChatGPT ทั่วโลกในวันเดียวกันและระบุว่าจะนำโมเดลเหล่านี้เข้าสู่ API OpenAI กล่าวว่า GPT‑Live‑1 จะเป็นโมเดลเริ่มต้นที่ขับเคลื่อน ChatGPT Voice สำหรับผู้ใช้ Go, Plus และ Pro ส่วน GPT‑Live‑1 mini จะเป็นค่าเริ่มต้นสำหรับผู้ใช้ Free การอัปเดตเมื่อ 31 กรกฎาคม 2026 ได้เพิ่มการใส่น้ำหนักลายน้ำ SynthID ให้กับเสียงที่สนับสนุนและสร้างด้วย GPT‑Live ผ่าน ChatGPT Voice และ OpenAI API พร้อมกับการเข้าถึง API ไปยังเครื่องมือยืนยันสาธารณะของ OpenAI

การประกาศยังชี้แนะให้ธุรกิจไปที่ OpenAI Presence ซึ่ง OpenAI ระบุว่าใช้ GPT‑Live‑1 เพื่อขับเคลื่อนการโต้ตอบด้วยเสียงแบบเรียลไทม์สำหรับตัวแทนที่ตอบคำถาม แก้ไขปัญหา ใช้ระบบของบริษัท ดำเนินการที่ได้รับการอนุมัติ และส่งต่อให้คนเมื่อจำเป็น OpenAI เปิดตัว Presence เมื่อ 22 กรกฎาคม 2026 เป็นผลิตภัณฑ์ระดับองค์กรที่ใช้งานได้สำหรับเวิร์กโฟลว์เสียงและแชท ให้บริการแก่ลูกค้าที่มีคุณสมบัติเหมาะสมผ่านโปรแกรมการเปิดให้ใช้ทั่วไปแบบจำกัดที่นำโดย OpenAI Forward Deployed Engineers และผู้รวมระบบระดับโลกที่คัดเลือก ไม่ใช่ผลิตภัณฑ์แบบเซลฟ์‑เซอร์ฟ

ลูกค้าเริ่มต้นและเสียงใหม่

Alex Levy ประธานเจ้าหน้าที่เทคโนโลยีของ Yelp กล่าวว่าการเพิ่ม GPT‑Live‑1 ให้กับ Yelp Host และ Hatch ทำให้การรับเทิร์นและความแม่นยำดีขึ้นเมื่อเทียบกับสถาปัตยกรรมเสียงแบบดั้งเดิมของบริษัท และ Yelp กำลังเห็นการปรับปรุงที่มีนัยสำคัญในอัตราการจัดการสายเมื่อ Yelp Host ตอบรับสายเช่นการจองและการสั่งอาหาร “ผู้โทรยังพูดประโยคที่เต็มและเป็นธรรมชาติมากขึ้น ซึ่งบ่งบอกว่าประสบการณ์ทางอีกด้านของโทรศัพท์รู้สึกแตกต่างอย่างแท้จริง” Levy กล่าว การสาธิตที่เผยแพร่พร้อมกับการประกาศแสดงให้เห็น Yelp Host ทำการจองในขณะที่ GPT‑Live‑1 จัดการกับเสียงรบกวนพื้นหลัง การสนทนาข้างเคียง และการขัดจังหวะ

Andrew Hsu ผู้ร่วมก่อตั้งและประธานเจ้าหน้าที่เทคโนโลยีของ Speak กล่าวว่าการประเมินเบื้องต้นพบว่า GPT‑Live‑1 ลดการขัดจังหวะในช่วงหยุดคิดของผู้เรียนได้เกือบ 80% เมื่อเทียบกับระบบแบบเทิร์น‑เบสก่อนหน้าใน Live Tutor Lessons ของ Speak. Jordan Neil ประธานเจ้าหน้าที่ปฏิบัติการของ Fin กล่าวว่ารุ่นนี้ทำให้การสนับสนุนเสียง AI เปลี่ยนจากจังหวะหยุด‑เริ่ม ไปสู่การไหลธรรมชาติของการสนทนาทางโทรศัพท์ ทำให้ลูกค้าสามารถหยุด, ขัดจังหวะ, และเปลี่ยนทิศทางได้ในขณะที่ Fin ผสานการสนทนากับระบบสนับสนุนเฉพาะของตนเพื่อแก้ไขปัญหา Walden Yan ผู้ร่วมก่อตั้งและประธานเจ้าหน้าที่ผลิตภัณฑ์ของ Cognition อธิบายการใช้ GPT‑Live‑1 ร่วมกับ Devin วิศวกร AI ของ Cognition เพื่อพูดคุยไอเดีย ทดสอบแนวคิด หรือส่งมอบงานขณะไม่อยู่หน้าคีย์บอร์ด

OpenAI กล่าวว่า บริษัทกำลังขยายจากชุดเสียงเรียลไทม์จำนวนเล็กน้อยไปสู่การเลือกเสียงที่หลากหลายยิ่งขึ้น ครอบคลุมสำเนียง, ภาษาถิ่น, และภาษา เพื่อให้ผู้พัฒนามีตัวเลือกมากขึ้นในการกำหนดเสียงของผู้ช่วยของตน ผู้พัฒนาที่ต้องการเข้าถึงเสียงแบบกำหนดเองต้องติดต่อฝ่ายขายของ OpenAI เพื่อเรียนรู้เกี่ยวกับคุณสมบัติและกระบวนการขอใช้ บริษัทระบุว่าจะยังคงขยายตัวเลือกเสียงและความพร้อมของภาษาในเดือนต่อ ๆ ไป