OpenAI拆分语音模型大脑，一团队借此删除2.3万行代码
内容提要
OpenAI推出GPT-Live-1，将ChatGPT语音模式的原生全双工架构开放给开发者。该架构可独立处理对话、应对打断，并将复杂请求转交后台模型（如GPT-6 Astra），避免沉默尴尬。性能较前代提升30个百分点，成本为每分钟0.05美元。EliseAI借此删减八成代码，Speak、Yelp等已应用。
延伸解读
从拼接式到原生全双工：语音代理架构的转变
传统语音代理通常由语音转文本、语言模型生成回复、文本转语音等多个系统串联而成，这种拼接式架构容易导致响应延迟和机械感。GPT-Live-1将全双工语音架构原生集成，让单一模型直接处理对话流，包括应对打断，从而减少系统间协调的复杂度。这标志着语音代理从多组件拼接向端到端原生处理的演进，但开发者需注意，这种集成也意味着将更多对话控制权交给OpenAI。
后台委托机制：如何避免对话中的沉默尴尬
当语音代理遇到需要复杂推理的请求时，等待后台模型响应可能导致数秒沉默，破坏对话流畅性。GPT-Live-1通过事件驱动接口实现委托：生成delegation_id，将上下文发送给后台模型（如GPT-6 Astra），再通过session.commentary.append事件取回结果，并自然融入对话。这允许语音模型在等待时填充停顿、回应说话者，但开发者需注意，每次委托都会产生额外成本，频繁调用推理模型会快速增加费用。
成本与灵活性：每分钟0.05美元背后的权衡
GPT-Live-1定价为每分钟0.05美元（约每小时3美元），但若将请求委托给GPT-6 Astra等后台模型，还需支付相应调用费用。这意味着代理越频繁使用推理模型，账单增长越快。不过，开发者可以根据任务复杂度选择后台模型：简单任务（如预约）可交给Luna等轻量模型，复杂任务再使用Astra。这种选择性支出提供了成本优化空间，但也要求团队更精细地设计委托策略。
早期采用者的实际收益与潜在限制
EliseAI通过切换至GPT-Live-1删除了2.3万行代码，代码库缩减80%，团队得以聚焦患者体验；Speak的测试显示，新模型在语言学习中打断思考中用户的概率降低近80%；Yelp则报告更多电话被成功处理，且来电者使用更完整的句子。这些案例表明原生全双工架构能显著简化开发并改善交互。但需注意，这些数据来自早期测试，且文章未披露长期稳定性或不同场景下的表现，开发者应结合自身需求评估。
Q&A
GPT-Live-1是什么？它和ChatGPT语音模式有什么关系？
GPT-Live-1是OpenAI在API中推出的模型，它将ChatGPT语音模式背后的原生全双工语音架构首次开放给外部开发者。
GPT-Live-1如何解决语音代理在等待大模型响应时的沉默尴尬？
GPT-Live-1作为对话前线，当请求需要更多处理时间时，可以将请求转交给后台模型（如GPT-6 Astra），同时继续对话、填补停顿、回应说话者，等后台完成后将答案融入对话中。
GPT-Live-1的性能和成本如何？
在Full Duplex Bench上，GPT-Live-1比GPT-Realtime-2.1性能高出30个百分点；与GPT-6 Astra中等推理搭配时，在𝜏³-benchmark上排名第一。成本为每分钟0.05美元，约每小时3美元，但若调用后台模型需额外付费。
开发者如何通过GPT-Live-1实现请求委托？
OpenAI通过事件驱动接口暴露委托功能：语音会话生成delegation_id，将上下文发送给后台系统，结果通过session.commentary.append事件返回，语音模型将结果融入对话而非朗读文本。
有哪些公司使用了GPT-Live-1？效果如何？
EliseAI使用后删除了23,000行代码，代码库缩减80%；Speak在早期测试中，GPT-Live-1打断思考中用户的概率降低了近80%；Yelp已在Yelp Host和Hatch中使用，AI成功处理的电话更多，来电者说话更完整自然。
使用GPT-Live-1可能带来哪些权衡或风险？
GPT-Live-1接管更多对话意味着开发者将更多控制权交给OpenAI，而旧式级联方法允许为每个部分选择不同提供商并随时更换。此外，频繁调用后台推理模型会增加成本。
