OpenAI открыла GPT-Live-1: голосовой API, который слушает и говорит одновременно

Конец эпохи "говори - жди - слушай"
Если вы когда-нибудь разговаривали с голосовым ботом и ловили ощущение, что тот тебя не слышит, пока сам не замолчит, - теперь у этой проблемы есть технический ответ. 10 сентября 2026 года OpenAI открыла GPT-Live-1 для разработчиков через API. Модель работает в режиме полного дуплекса: она одновременно слушает и говорит, как живой собеседник, а не как колл-центр 2010-х.
Модель уже несколько месяцев работает внутри ChatGPT - туда ее запустили еще в июле. Теперь те же возможности получают сторонние разработчики.
Что изменилось технически
Традиционная голосовая архитектура - это конвейер из трех отдельных систем: распознавание речи, языковая модель, синтез речи. Каждый переход между ними добавляет задержку и создает точку, где теряется контекст или ритм разговора.
GPT-Live-1 обрабатывает входящий и исходящий звук в одной модели. Прерывания, паузы, фоновый шум, "угу" и "да-да" в середине ответа - все это модель обрабатывает в реальном времени, не сбиваясь и не начиная говорить заново. Более сложные задачи - поиск, рассуждение, вызов инструментов - делегируются бэкенд-модели: по данным TechCrunch, это может быть, например, GPT-5.5. Бэкенд может быть и сторонним.
Цифры бенчмарков
OpenAI публикует сравнение с предыдущей моделью GPT-Realtime-2.1, и разрыв там большой.
По тесту полнодуплексной интерактивности, который проверяет реакцию на прерывания, фоновые разговоры и сигналы слушателя, GPT-Live-1 набирает 80.1% против 45.4% у предшественника. Задержка перехода хода разговора сократилась с 1.41 секунды до 0.8 секунды. Точность вызова инструментов выросла с 60% до 87%.
В банковском голосовом бенчмарке по 97 задачам знания продуктов результат вырос с 12.4% до 32%.
По тесту на паузы, перебивания и очередность реплик от Artificial Analysis Conversational Dynamics модель набрала 97.3% против 95.7% у предшественника. Разница меньше, но базовый уровень здесь и так был высокий.
Кто уже использует
Yelp использует GPT-Live-1 для телефонного приема резерваций. Технический директор Алекс Леви отмечает, что качество обработки звонков выросло, а звонящие стали говорить более полными фразами - то есть перестали "подстраиваться" под ограничения бота.
Цена и доступность
Голосовой фронтенд-слой стоит $0.05 за минуту. При этом использование бэкенд-модели и инструментов тарифицируется отдельно, поэтому итоговая стоимость звонка зависит от конкретной конфигурации. При высоком объеме - сотнях тысяч минут в месяц - это ощутимые затраты, и бизнес-кейс нужно считать аккуратно. Для нишевых применений вроде языкового обучения или медицинской записи цена выглядит разумной. Для массового колл-центра с миллионами минут в месяц - уже серьезная статья расходов.
Модель поставляется с двенадцатью новыми голосами с разными акцентами, диалектами и языками. ASR-транскрипты и текст ответов доступны из коробки. Кастомные голоса также доступны - подробности в документации API.
Что это значит для рынка
GPT-Live-1 выходит на рынок, где уже работают ElevenLabs с Conversational AI, Hume с EVI и несколько стартапов вроде Sesame. Но у OpenAI здесь структурное преимущество: разработчики могут напрямую подключить голосовой слой к тем же моделям, с которыми уже работают в тексте, через единый API и единый биллинг.
OpenAI прямо говорит, что видит голос как основной интерфейс к вычислениям для сложной агентной работы. Архитектура GPT-Live-1 с делегированием на бэкенд как раз и позволяет вести долгий голосовой разговор, пока в фоне выполняется реальная задача.
Похожие новости
Edge0 открыла TTS-модель на 0,6 млрд параметров с клонированием голоса на 23 языках
Edge0 выложила Audio8-TTS-Realistic под Apache 2.0: модель клонирует голос по одной записи, знает русский и обходит Qwen3-TTS-1.7B на бенчмарке CV3 по средней ошибке.
AssemblyAI выпустила первую TTS-модель: $15 за миллион символов, 6 языков
AssemblyAI запустила AssemblyAI-TTS-1, синтез речи для голосовых агентов. Цена $15 за 1 млн символов без годового контракта и без отдельной платы за параллельные сессии, но SSML и управления скоростью пока нет.
Ollama v0.40.11-rc0: каталог голосов Phonon и что было в предыдущем релизе
Ollama выпустил release candidate v0.40.11 с обновлением каталога голосов Phonon. Синтез речи и модели d3 появились раньше - в v0.40.9 от 22 октября.