OpenAI выпустила GPT‑Live‑1 для полнодуплексных голосовых приложений

Один голосовой контур вместо каскада

OpenAI представила GPT‑Live‑1 — модель для голосовых приложений и бизнес-процессов, которая переносит в API полнодуплексный режим общения ChatGPT. Полнодуплексность здесь означает, что система способна слушать и говорить одновременно, а не строго чередовать запись реплики, распознавание, генерацию ответа и озвучивание. Благодаря этому приложение может реагировать на перебивания, короткие подтверждения и паузы непосредственно во время разговора, не превращая диалог в последовательность отдельных аудиофайлов.

Архитектурный акцент сделан на разделении живого разговора и тяжёлого рассуждения. GPT‑Live‑1 обслуживает голосовой фронтенд, но может передавать задачи backend-модели — например, GPT‑6 Astra или сторонней системе — и получать обратно результат для произнесения. Разработчик сам выбирает модели, инструменты и agent harness. OpenAI приводит пример, где Luna выполняет массовые операции вроде расписания и обновления заказов, а Astra разбирает сложные обращения клиентов.

Такой подход не отменяет серверную логику, но упрощает именно речевой слой. Модель самостоятельно совмещает восприятие и генерацию голоса, возвращает ASR-транскрипты и текст ответа, понимает буквенно-цифровые последовательности и поддерживает keyword biasing. При этом остаётся встроенное определение границ реплик: разработчики, которым нужны явные turns для журналирования или бизнес-правил, могут сохранить привычную структуру поверх непрерывного аудиопотока.

Перебивания как главный тест

Основная практическая ставка — не просто более приятный тембр, а правильная динамика разговора. Голосовой агент должен отличать завершённую мысль от паузы, не отвечать поверх человека, замечать короткое «угу» и без задержки уступать слово при перебивании. В ранних оценках образовательного сервиса Speak GPT‑Live‑1 почти на 80% сократила число перебиваний во время пауз на обдумывание по сравнению с прежними turn-based системами. Это результат клиента в раннем тестировании, а не независимый универсальный benchmark.

OpenAI сообщает, что на Full Duplex Bench новая модель прибавила 30 процентных пунктов относительно GPT‑Realtime‑2.1. Оценка измеряет обработку пауз, смену очереди речи, перебивания и backchannels. В связке с GPT‑6 Astra при среднем reasoning effort система также заняла первое место на Tau3 — тесте сквозных задач голосового агента. Публикация описывает внутренние оценки OpenAI, поэтому перенос результата на конкретный контакт-центр потребует собственного теста с реальными акцентами, шумом и интеграциями.

Отзывы первых партнёров показывают, какие сценарии компания считает целевыми. Yelp испытывает модель в телефонных операциях, включая бронирование и заказы; Speak — в языковом репетиторе; Cognition связывает голос с Devin для обсуждения и передачи инженерных задач. Один из медицинских партнёров сообщил, что переход от каскадной системы сократил кодовую базу голосового контура на 80% и убрал 23 тысячи строк. Эти цифры относятся к конкретной реализации партнёра и не обещают такой же экономии любому проекту.

Управление голосом и продуктовые ограничения

GPT‑Live‑1 позволяет задавать через system prompt тон, темп и стиль речи. Одновременно OpenAI расширяет набор голосов, акцентов, диалектов и языков. Для продукта это означает больше вариантов локализации и возможность отделить речевую манеру от модели, принимающей бизнес-решения. Однако настройка голоса не заменяет правила подтверждения действий: платежи, изменения бронирования и доступ к данным всё равно должны проходить через проверяемые инструменты и явные ограничения backend-системы.

Полнодуплексный интерфейс меняет и требования к наблюдаемости. В каскаде легко сохранить отдельные стадии ASR, LLM и text-to-speech; в единой модели важнее журналировать транскрипт, вызовы инструментов, факт перебивания и решение о передаче задачи backend-модели. Нативные ASR-транскрипты и текстовые ответы помогают построить такой аудит, но публикация не описывает готовую схему хранения, redaction или контроля персональных данных. Эти части разработчику предстоит проектировать под собственную юрисдикцию и отрасль.

Для телефонных сценариев OpenAI отдельно заявляет поддержку telephony. Реальное качество при этом будет зависеть не только от модели, но и от кодека, сети, задержки между компонентами, качества микрофона и поведения выбранного backend. Поэтому демонстрация естественного диалога — лишь первый этап приёмки. До запуска в работу нужны измерения end-to-end latency, точности букв и номеров, восстановления после обрыва, передачи оператору и корректности инструментальных действий.

Цена и доступность

GPT‑Live‑1 уже доступна через API. OpenAI установила цену голосового frontend-слоя в $0,05 за минуту. Backend-модель и agent harness оплачиваются и эксплуатируются отдельно, поэтому эта ставка не равна полной стоимости законченного ассистента. К ней могут добавиться reasoning-модель, инструменты, телефония, хранение журналов, мониторинг и работа человека при эскалации.

При расчёте экономики важно учитывать не только продолжительность звонка, но и долю обращений, которые агент действительно завершает. Более естественная смена реплик способна уменьшить раздражение и ложные прерывания, однако дорогой backend или частая передача оператору может изменить итоговую себестоимость. Указанная поминутная цена делает базовый голосовой слой прозрачнее, но OpenAI не приводит в анонсе единой итоговой цены для типового call-center сценария.

Главное изменение GPT‑Live‑1 — не новая обёртка вокруг обычной цепочки распознавания и синтеза, а единая модель для непрерывного голосового взаимодействия с делегированием сложной работы. Это позволяет строить более естественные интерфейсы без отказа от специализированного backend. Сильные цифры по перебиваниям и benchmark-тестам дают основание для пилота, но решение о production-внедрении должно опираться на собственный E2E-тест конкретного языка, телефонного канала и набора разрешённых действий.