作者：默思編輯部 發布：2026-09-14
OpenAI於2026年9月10日將GPT-Live-1語音模型正式帶入API，這款模型最初已於7月8日整合進ChatGPT，這次則是進一步開放給開發者透過API直接串接使用。
GPT-Live採用全雙工（full-duplex）架構，代表模型能同時聆聽與說話，而不像過去的語音助理系統，需要先把語音轉成文字、經過語言模型處理，再合成回語音這種分階段的處理流程。這種單一模型同時處理輸入與輸出音訊的設計，讓互動體驗更貼近真實人類對話的自然節奏。
這款模型的回應延遲從前一代GPT-Realtime-2.1的1.63秒，大幅縮短到0.798秒，這個延遲水準已經逼近人類對話中自然停頓的時間感，對需要即時語音互動的應用場景（例如客服代理、語音助理）而言，是相當關鍵的體驗提升——過去語音AI互動最常被使用者詬病的「機器人感」，很大一部分正是來自回應延遲造成的不自然停頓。
GPT-Live-1在API的定價為每分鐘0.05美元（僅語音層），全球分為兩個版本推出：GPT-Live-1供付費用戶使用，GPT-Live-1 mini則供免費用戶使用。這種依訂閱層級提供不同版本的策略，讓OpenAI得以在維持免費使用者基本體驗的同時，把最先進的語音互動能力保留給付費客群。
過去開發者要打造低延遲的語音互動應用，通常需要自行串接語音辨識、語言模型與語音合成三套獨立系統，並投入大量工程資源優化各環節之間的銜接延遲。GPT-Live這類一體化全雙工模型的出現，讓開發者能大幅簡化語音應用的開發架構，根據OpenAI的說法，這類整合式模型能讓語音代理所需的程式碼量減少達八成。
除了延遲與架構上的突破，GPT-Live也強調能展現「情緒細膩度」，也就是模型能根據對話情境調整語氣、停頓與情感表達方式，而不是用單一固定的語調回應所有問題。這項能力的實現，某種程度上比單純縮短延遲更具技術挑戰性，因為它要求模型不只是快速生成語音，還要能理解對話的情境脈絡，並用符合情境的表達方式回應，這對打造真正自然、不讓使用者感到「在跟機器對話」的語音互動體驗而言，是相當關鍵的一環。
低延遲語音AI應用的開發正在快速普及，具備即時語音互動架構設計與全雙工模型串接經驗的工程人才，在客服、語音助理與教育科技等應用領域的需求會持續成長。