OpenAI开放GPT-Live-1.1语音API:全双工对话+待机模式,第三方应用都能接入实时语音

AI资讯18秒前发布 EdgeClaw
0 0

打电话给AI助手,说完一句就断线重连的日子可能真的要结束了。11月20日,OpenAI正式向开发者开放GPT-Live-1.1语音API,第三方应用可以接入能边听边说、还能把复杂任务甩给后端模型的实时语音智能体。待机状态下每分钟仅0.02美元。

全双工:不用等你说完,它已经听懂了

GPT-Live-1.1是GPT-Live-1的升级版,核心能力是全双工语音交互——模型可以同时聆听和说话,不必等用户完整说完一句话才开始处理。它能识别说话过程中的停顿、打断和语速变化,实时判断应该继续聆听还是作出回应。

实时语音AI对话界面,声波波形与转写文字同步滚动,蓝紫渐变光效

相比传统语音系统把语音识别、大模型、语音合成三段串联的架构,GPT-Live系列直接处理输入输出音频,大幅降低了端到端延迟。官方还表示,新版本改进了多语言口音一致性,以及字母、数字等细节的识别,减少语音交互中常见的理解偏差。

待机模式:挂着电话等任务,有人开口再恢复

这次API开放最实用的更新,是给GPT-Live-1和GPT-Live-1.1都加入了待机配置。开发者可以设定5到60秒的静默阈值,达到阈值后模型暂停,但WebRTC通话仍然保持连接,有人再开口时立即恢复。待机状态每分钟0.02美元,活跃通话每分钟0.05美元,后端模型和工具调用另计。

对开发者来说,这意味着实时语音应用不必为思考间隙持续付费——用户沉思、查资料、翻文件的时候,连接挂着但不烧钱,一开口又秒回。

语音API集成等距3D示意图,语音波形球体连接手机服务器等设备

复杂任务委托:语音对话不中断

GPT-Live-1.1还支持将需要更深入推理或工具调用的任务,委托给开发者选定的后端模型。后端既可以是OpenAI的模型,也可以接入第三方模型。当后端模型处理复杂任务时,语音对话仍然可以继续进行,无需中断当前交互。

举例来说,语音助手在回答用户问题的同时,后端可以并行查数据库、调用API、生成订单,多步骤复杂工作流在幕后跑完,前台对话始终保持流畅。这一能力让实时语音从聊天玩具升级为可落地的业务入口。

事实上,GPT-Live-1.1自10月15日起已经是ChatGPT Plus及更高级别订阅用户的默认语音模型,本次API开放是把成熟能力交给第三方。从客服外呼到语音笔记,从AI陪伴到智能硬件,实时语音交互的应用空间正在被重新打开。

© 版权声明

相关文章