[控场AI]
· 4 分钟阅读· 2,141 字

OpenAI发布GPT-Live-1.1:语音代理闲置成本降至0.02美元/分钟

OpenAI发布GPT-Live-1.1:语音代理闲置成本降至0.02美元/分钟

OpenAI上线GPT-Live-1.1全双工语音模型,改进口音与转录,空闲计费降至0.02美元/分钟。

OpenAI在API中推出GPT-Live-1.1全双工语音模型,重点改进多语言口音处理和转录质量,并新增standby模式,将WebRTC连接空闲计费从每分钟0.05美元下调至0.02美元。对语音代理开发者而言,成本结构变化可能比能力提升更值得关注:空闲时段单位成本下降一半以上,使长时间保活变得可负担,产品可更倾向于“始终在线”的体验;口音改进则扩大了出海、跨境客服、多语种教育等场景的适用范围。素材未披露活跃交互时段计费,实际节省幅度需按业务会话特征估算。开发者接入前应验证目标口音转录准确率、standby触发条件与计费边界,以及与现有WebRTC管线的兼容性。

OpenAI 在 API 中上线了 GPT-Live-1.1,这是一款全双工语音模型。相比前代,它在多语言口音处理和转录质量上做了改进,同时新增 standby 模式,将 WebRTC 连接的空闲计费从每分钟 0.05 美元下调到 0.02 美元。对正在搭建语音代理的开发者来说,这次更新带来的成本结构变化,可能比模型能力本身的提升更值得关注。

OpenAI Ships GPT-Live-1.1 for Voice Agents, Cuts Idle Cost to $0.02/Min

全双工语音模型的能力补强

GPT-Live-1.1 的核心定位仍然是全双工(full-duplex)语音交互。与传统的“录音—识别—生成—合成”串行管线不同,全双工模型允许用户在模型输出语音的同时继续说话,交互更接近真人对话的节奏,打断、插话、语气回应都能在同一个模型内完成。

这次更新的重点是两处:多语言口音处理与转录。口音问题一直是语音代理落地时的隐性障碍——模型在标准发音上表现良好,但遇到非母语口音、地区性发音变体时,识别准确率和对话流畅度会明显下降。GPT-Live-1.1 针对这一点做了优化,对需要覆盖多语种、多地区用户的语音产品而言,这是比单纯堆参数更实际的能力提升。转录质量的改进同样影响下游环节:语音代理的日志记录、会话分析、合规审计都依赖转录文本,转录准确率的提高会直接减少人工复核的成本。

全双工与传统语音管线的区别

传统语音交互采用级联管线:VAD(语音活动检测)判断用户是否说完,ASR 转写为文本,LLM 生成回复,TTS 合成语音。这种方式的问题是每一环都有延迟,且模型无法在用户说话时"听",打断处理需要额外的逻辑。全双工模型则把听和说整合进同一个模型,可以在输出音频的同时持续接收输入,从而实现自然的插话和即时回应。代价是模型需要同时建模两条音频流,对推理基础设施和延迟优化要求更高。

WebRTC 在语音代理中的角色

WebRTC 是浏览器和移动端实时音视频通信的底层协议栈,提供低延迟的音频传输、回声消除和网络抖动缓冲。语音代理通常通过 WebRTC 建立长连接,将用户音频流送入模型并接收合成语音。连接保持期间即使没有音频传输,服务端仍需维持会话状态和资源预留,这正是空闲计费的技术基础。

standby 模式:把“等待”单独定价

语音代理的成本结构和文本 API 有本质区别。一次语音会话中,用户可能长时间不说话——思考、查资料、走开——但 WebRTC 连接仍然保持,模型仍处于待命状态。按传统计时方式,这段“什么都不发生”的时间同样在消耗费用。

GPT-Live-1.1 引入的 standby 模式,把这种空闲等待单独计价:每分钟 0.02 美元,而此前的计费是每分钟 0.05 美元。换句话说,空闲时段的单位成本下降了一半以上。对于客服、语音助手、实时翻译这类会话时长波动大的场景,闲置时间往往占据相当比例,这项调整会直接改变产品的单位经济模型。

需要说明的是,素材并未披露活跃交互时段的计费方式,因此 standby 模式的实际节省幅度取决于具体会话中空闲时长与活跃时长的比例。开发者在上线前应当按自身业务的会话特征重新估算成本。

单位经济模型

单位经济模型指单个用户或单次会话的收入与成本结构。对语音代理而言,关键变量包括平均会话时长、活跃交互占比、每分钟模型调用成本以及并发连接数。空闲计费下调会直接降低单会话的变动成本,但只有当空闲时长在总时长中占比较高时,节省才显著。若会话以连续对话为主,活跃时段的计费才是成本主导项。

对语音代理开发者的实际影响

成本下调的意义不在于绝对值,而在于它降低了“保持连接”的心理门槛。此前,许多团队为了控制费用,会在检测到静默后主动断开连接、等用户重新触发后再重建会话,代价是交互的连续性和响应速度。standby 模式让长时间保活变得可负担,产品设计上可以更倾向于“始终在线”的体验。

多语言口音的改进则扩大了语音代理的可服务人群。出海产品、跨境客服、多语种教育工具等场景,过去常因口音识别不稳定而被迫缩小服务范围或增加人工兜底。模型层面的改善减少了这类妥协的必要性。

从竞争角度看,全双工语音模型正在成为各家 API 提供商的标配能力,差异化的焦点正从“能不能对话”转向“对话成本多低、覆盖口音多广”。GPT-Live-1.1 的更新方向,反映的正是这一转向。

上线前需要确认的事项

开发者在接入前,建议重点验证三件事:一是目标语种和口音下的转录准确率是否达到业务要求,最好用真实用户录音而非标准语料测试;二是 standby 模式的触发条件与计费边界,明确何种状态算作空闲;三是与现有 WebRTC 管线的兼容性,避免因计费模式变更导致会话管理逻辑需要重写。

GPT-Live-1.1 已在 API 中开放。对于正在评估语音代理方案的团队,这次更新的价值在于它同时压低了能力门槛和成本门槛,让更多场景具备了商业可行性。

#GPT-Live-1.1#OpenAI语音模型#全双工语音#语音代理#standby模式#WebRTC计费#语音API成本
分享:

相关推荐