openai近日正式宣布，将全新语音模型gpt-live-1全面接入其api平台，为开发者构建全双工、低延迟的实时语音应用与自动化业务流程提供底层能力支撑。这一发布，标志着ai语音交互正加速告别“听—思—说”割裂的传统范式，迈向更贴近人类自然对话节奏的新阶段。
在技术实现上，GPT-Live-1首次实现了语音感知、语义理解与语音生成的端到端统一建模。它彻底绕开了传统语音系统中“ASR→LLM→TTS”的多模块串行链路，消除了中间环节带来的冗余延迟与信息损耗。该模型原生支持全双工交互：可在持续播报的同时实时捕捉用户语音输入，并对突发打断、语义停顿、环境杂音等真实对话挑战具备强鲁棒性响应能力。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在功能适配性方面，GPT-Live-1展现出卓越的可配置性与场景延展力。开发者仅需通过简洁的系统提示词，即可灵活调控语气亲和度、语速节奏及对话人格；同时支持无缝对接后端大模型、工具调用链与智能体（Agent）运行时框架。模型内置高精度语音识别与文本生成双通路，具备数字字母识别、关键词倾向引导、对话轮次状态感知等关键能力。它既可直连Codex等代码工具，也能依托OpenAI Presence构建企业级语音工作流——例如自动查询CRM数据、执行预授权业务操作，或在复杂情境下平滑转接人工坐席。在落地层面，该模型已能深度嵌入电话通信场景，高效支撑餐厅预约、售后支持等典型全双工语音智能体任务。
通过 Codex CLI 生成图片，支持尺寸控制和批量模式。依赖：codex (npm)。代理默认启用。用 generate.sh 生成单张，batch_generate.sh 批量生成游戏 UI 素材，gen_size.sh 指定尺寸。所有输出保存至 ~/.codex/generated_images/。
实际部署效果亦验证了其领先性。语言学习平台Speak在集成GPT-Live-1后，用户因思考间隙引发的误中断率相较旧版轮次制系统下降近80%；某医疗服务平台则借助该模型重构语音交互层，整体代码量压缩超60%。据OpenAI官方评测，在Full Duplex Bench基准测试中，GPT-Live-1得分较前代GPT-Realtime-2.1提升30个百分点；而在Tau3端到端语音智能体任务中，当搭配GPT-6Astra中等推理档位时，其综合表现位居当前所有参测模型之首。
目前，GPT-Live-1已面向全球开发者开放API调用。前端语音处理层按使用时长计费，标准价格为每分钟0.05美元（折合约每小时3美元），后端模型调用与智能体工具服务费用独立结算。此外，OpenAI同步扩充实时语音生态，新增Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta和Cinder共12种全新语音风格，并将持续在未来数月内拓展更多语种与声音选项，推动智能语音技术向更广域、更深层的应用场景渗透。
