GPT-Live-1 API: rozmowy w czasie rzeczywistym dla deweloperów

OpenAI otwiera swój najnowszy model mowy dla twórców aplikacji. GPT-Live-1 trafia do deweloperów jako API, a jego kluczowa cecha to praca w trybie full-duplex – czyli jednoczesne słuchanie i mówienie. Rozwiązanie działa już wewnątrz ChatGPT, a teraz mogą z niego korzystać zewnętrzne zespoły budujące własne produkty głosowe.

Nowość wpisuje się w szerszy trend przenoszenia interfejsów konwersacyjnych z tekstu do mowy. Zamiast czekać, aż użytkownik skończy zdanie, system może reagować w trakcie wypowiedzi – podobnie jak robi to człowiek w naturalnej rozmowie.

Na czym polega tryb full-duplex i dlaczego to zmiana jakościowa

Większość dostępnych na rynku modeli głosowych działa w schemacie naprzemiennym: najpierw nagrywają wypowiedź, potem ją przetwarzają, a na końcu generują odpowiedź. GPT-Live-1 przełamuje ten wzorzec, ponieważ odbiera dźwięk i jednocześnie emituje własną mowę. Dzięki temu rozmowa staje się płynniejsza i mniej przypomina obsługę automatycznej infolinii.

Deweloperzy mogą łączyć model mowy z różnymi backendami w zależności od zadania. OpenAI podkreśla, że pozwala to dopasować głębokość rozumowania, szybkość działania i koszt do konkretnego przypadku użycia. Innymi słowy – ten sam interfejs głosowy może obsłużyć zarówno prostą rezerwację stolika, jak i bardziej złożoną rozmowę wymagającą analizy kontekstu.

Wyniki benchmarków: wyraźny skok względem poprzednika

OpenAI opublikowało zestaw testów, w których GPT-Live-1 wypada znacznie lepiej niż wcześniejsze modele. Różnice są widoczne w kilku kluczowych obszarach.

Interaktywność w czasie rzeczywistym

W testach pełnej interaktywności dwukierunkowej nowy model osiąga 80,1 proc., podczas gdy GPT-Realtime-2.1 uzyskuje 45,4 proc. To niemal dwukrotny wzrost wskaźnika, który bezpośrednio przekłada się na naturalność prowadzonej rozmowy.

Opóźnienie i płynność wymiany zdań

Czas reakcji przy przejmowaniu kolejki spadł z 1,4 sekundy do 0,8 sekundy. W praktyce oznacza to, że przerwy między wypowiedziami są krótsze, a użytkownik rzadziej odczuwa wrażenie rozmowy z maszyną.

Niezawodność wywoływania narzędzi

Dokładność wywoływania funkcji zewnętrznych wzrosła z 60 proc. do 87 proc. To istotne dla aplikacji, w których model musi nie tylko rozmawiać, ale też uruchamiać konkretne akcje – na przykład sprawdzać dostępność terminów czy przekazywać dane do systemu CRM.

Scenariusz bankowej obsługi głosowej

W benchmarku dotyczącym wsparcia klienta w banku GPT-Live-1 osiąga 32 proc. zdanych przypadków, podczas gdy poprzedni model tylko 12,4 proc. Choć wynik wciąż pozostawia pole do poprawy, progres jest wyraźny.

Cena, wdrożenia i nowe funkcje w pakiecie

Koszt korzystania z API wynosi 0,05 dolara za minutę. To stawka, która nie należy do najtańszych – zwłaszcza przy dłuższych rozmowach lub aplikacjach obsługujących wielu użytkowników jednocześnie. Zespół OpenAI zdaje się jednak celować w scenariusze, w których jakość interakcji ma większe znaczenie niż minimalizacja kosztów.

Jednym z pierwszych wdrożeń jest Yelp, który wykorzystuje model do obsługi rezerwacji telefonicznych. Alex Levy, CTO firmy, przekonuje, że rozwiązanie poprawiło jakość prowadzonych rozmów. To sygnał, że technologia znajduje zastosowanie w realnych procesach biznesowych, a nie tylko w demonstracjach.

GPT-Live-1 dostarczany jest z dwunastoma nowymi głosami, które różnią się akcentem, dialektem i językiem. Model generuje również transkrypcje ASR oraz tekst odpowiedzi od razu po wygenerowaniu – bez potrzeby budowania dodatkowych warstw integracyjnych. Pełna dokumentacja API ma zostać udostępniona wkrótce.

Co to oznacza dla rynku aplikacji głosowych

Wejście GPT-Live-1 do oferty API może przyspieszyć rozwój voicebotów nowej generacji. Dotychczasowe rozwiązania często rozczarowywały użytkowników sztucznością i opóźnieniami. Jeśli deklarowane wskaźniki potwierdzą się w codziennym użyciu, rozmowy z automatami staną się trudniejsze do odróżnienia od tych prowadzonych z ludźmi.

Pozostaje pytanie o koszty i skalę. Stawka 0,05 USD za minutę sprawia, że masowe wdrożenia wymagają przemyślanej kalkulacji. Niemniej jednak kierunek jest jasny – modele mowy przestają być dodatkiem, a stają się pełnoprawnym interfejsem aplikacji. Kolejne miesiące pokażą, czy deweloperzy wykorzystają ten potencjał w produktach, które trafią do szerokiego grona odbiorców.