OpenAI выпустила полнодуплексную голосовую модель GPT‑Live‑1 для API

OpenAI сделала очередной шаг к естественному разговору с машинами, выпустив голосовую модель GPT‑Live‑1. В отличие от привычных сервисов, она работает в полнодуплексном режиме: одновременно преобразует речь в текст и генерирует ответ в виде звука. Такой «двойной» поток позволяет создавать приложения, где пользователь слышит ответ почти мгновенно, не дожидаясь завершения своей реплики. Предыдущие голосовые возможности ChatGPT были однонаправленными – сначала пользователь говорил, затем система отвечала.

Технически GPT‑Live‑1 построена на базе GPT‑4, но к ней добавлен модуль реального времени, способный обрабатывать аудиопоток с задержкой менее 200 мс, что почти неощутимо для человека. Модель использует одновременный поток распознавания и синтеза, устраняя паузу между «слушать‑говорить», характерную для Whisper‑based систем и традиционных TTS‑движков. Кроме того, она поддерживает более двадцати языков, умеет различать голоса собеседников и автоматически подавлять фоновые шумы.

Разработчикам OpenAI предоставила доступ к модели через привычный REST‑API и WebSocket, где каждый запрос содержит кусок аудио, а сервер отдает синтезированный звук в реальном времени. Платформа предлагает гибкую тарифную сетку – от бесплатного лимита в несколько минут до оплаты по секундам использования, а готовый SDK упрощает интеграцию в мобильные и веб‑приложения. Это открывает двери для виртуальных ассистентов, интерактивных игр, сервисов поддержки клиентов и даже систем мгновенного перевода, где разговор может идти без искусственных «прерываний».

На рынке уже есть аналогичные решения: Google Duplex умеет вести телефонные диалоги, а Amazon Alexa и Microsoft Azure Speech предлагают потоковую речь, но их модели работают поочерёдно. Полнодуплексный подход GPT‑Live‑1 делает взаимодействие более естественным и снижает нагрузку на пользовательский интерфейс, что особенно ценно для людей с ограниченными возможностями и для мобильных приложений с ограниченным временем отклика. OpenAI также обещает строгую политику конфиденциальности – аудиоданные обрабатываются в зашифрованных каналах и не сохраняются без согласия клиента.

Сейчас модель доступна в бета‑версии для ограниченного круга партнёров, а в ближайшие недели OpenAI планирует открыть её широкой публике. Ожидается, что цены будут конкурентоспособными, а регулярные обновления ускорят работу и расширят набор поддерживаемых языков. По словам инженеров компании, в планах добавить поддержку многопользовательских диалогов и улучшить эмоциональную окраску синтезированного голоса, что может сделать полнодуплексный голос новым стандартом для всех голосовых сервисов.