GPT-Live-1 arriva nell'API: voce full-duplex a 0,05 $ al minuto, senza alcun percorso drop-in da GPT-Realtime-2.1

GPT-Live-1 è nell'API dal 10 settembre, e il numero che rimodellerà davvero i budget non è un benchmark — è l'unità di fatturazione. Il modello vocale full-duplex di OpenAIOpe​nAI ora viene fatturato a una tariffa fissa di 0,05 $ al minuto di voce, addebitata al secondo, mentre il modello con cui viene confrontato, GPT-Realtime-2.1, veniva misurato in token audio a 32 $ per milione in ingresso e 64 $ per milione in uscita. Il modello in sé non è nuovo: GPT-Live-1 è stato rilasciato all'interno di ChatGPT l'8 luglio 2026, come sostituto di Advanced Voice Mode. La novità è che gli sviluppatori possono finalmente chiamarlo — e che chiamarlo non assomiglia quasi per nulla all'integrazione Realtime che la maggior parte dei team ha già. La documentazione di OpenAIOpe​nAI stessa abbina il livello vocale a un backend di ragionamento separato e, nell'esempio WebRTC pubblicato, quel backend è GPT-5.6 Terra.

Cosa è stato rilasciato il 10 settembre, e cosa no

La superficie API è volutamente ristretta. Esiste esattamente un ID modello, gpt-live-1, che è anche il suo snapshot predefinito — nessuna variante datata da fissare. Esiste esattamente un endpoint, l'endpoint Live Sessions su v1/live/sessions. Tutto il resto sulla piattaforma di OpenAIOpe​nAI è disattivato per questo modello: niente Chat Completions, niente Responses, niente Realtime (comprese le varianti di traduzione e trascrizione), niente Assistants, niente Batch, niente fine-tuning, niente embeddings, niente generazione di immagini o video, niente endpoint di sintesi vocale o trascrizione audio, niente moderazione.

Gli input e gli output sono audio e testo. Lo streaming e la chiamata di funzioni sono supportati; gli output strutturati, il fine-tuning e gli output predetti non lo sono. L'input di immagini e video non è esplicitamente supportato — quindi la superficie "voce con video" che OpenAIOpeAI ha lasciato intendere non fa parte di questa release. Il livello gratuito non può chiamarla affatto, e i limiti di frequenza sono misurati in sessioni simultanee anziché in richieste al minuto: 25 sul livello 1, che salgono a 50, 200, 300 e 500 nei livelli dal 2 al 5.

Quell'inquadramento della concorrenza è il primo indizio che questo non è un sostituto plug-in. I limiti di frequenza espressi in conversazioni dal vivo simultanee ti dicono quale OpenAIOpe​nAI si aspetta che sia l'unità di scala: una linea telefonica, non una richiesta.

Il cambiamento dei prezzi è la storia più silenziosa ma più importante.

La fatturazione forfettaria al minuto è una vera rottura. Con la misurazione a token dovevi modellare il consumo audio — quanti token costa un secondo di silenzio, come un chiamante che continua a parlare sopra l’agente modifica la lunghezza dell’output — prima di poter prevedere una singola chiamata. A 0,05 $ al minuto l’aritmetica si riduce a una moltiplicazione:

• Una chiamata di supporto di 5 minuti — 0,25 $ di tempo voce

• Una chiamata di 10 minuti — $0,50

• Una media di 4 minuti su 1.000 chiamate al giorno — 200 $ al giorno, circa 6.000 $ al mese

• Un'ora di linea aperta continua — $3.00

Tre dettagli affinano questo quadro. Primo, la durata non viene arrotondata per eccesso al minuto intero successivo, quindi una chiamata di 40 secondi costa circa 3,3 centesimi anziché un nichelino intero. Secondo, l'inizializzazione della sessione fattura in anticipo 15 secondi di durata vocale — ma tale importo viene accreditato a fronte degli addebiti di durata successivi, non sommato ad essi, perciò una chiamata più breve di 15 secondi viene comunque tariffata al prezzo di 15 secondi. Terzo, la voce è solo metà del conto. Il modello di ragionamento backend, le sue chiamate agli strumenti e qualsiasi ricerca web vengono fatturati separatamente alle tariffe normali di quel modello, il che significa che un «modello vocale economico» può comunque generare una chiamata costosa se indirizzi la delega verso un reasoner di frontiera e gli permetti di cercare a ogni turno.

Quella struttura da due metri è il punto in cui il routing smette di essere una semplice raffinatezza. Su OrcaRouter la metà backend di una sessione GPT-Live-1 è solo un'altra chiamata a un modello — all'incirca 190 modelli da undici provider upstream dietro un'unica chiave, al prezzo di listino del provider passato senza alcun ricarico, e con failover automatico se il backend scelto genera errori o va in timeout. Non puoi instradare il livello vocale in sé; l'endpoint Live Sessions appartiene esclusivamente a OpenAIOpe​nAI. Puoi però instradare senza problemi tutto ciò a cui il livello vocale delega, ossia la metà che scala in base a quanto intensamente ragionano i tuoi interlocutori.

Solo WebRTC — perché il tuo codice Realtime non potrà essere portato

Questo è il costo pratico del passaggio, e la maggior parte dei resoconti sul lancio lo ignora. Le sessioni di GPT-Live-1 funzionano su WebRTC, non sul trasporto WebSocket su cui si basano molte integrazioni Realtime esistenti. Sondare il percorso più vecchio con un ID di modello GPT-Live restituisce un errore che ti dice esplicitamente che le sessioni richiedono WebRTC.

L'handshake, secondo la guida WebRTC di OpenAIOpe​nAI: il browser apre una RTCPeerConnection, collega le tracce del microfono, apre un canale dati e registra i listener prima di inviare l'offerta, imposta la descrizione locale, attende la raccolta ICE e invia l'offerta al tuo server. Il tuo server chiama quindi POST /v1/live/sessions con la configurazione della sessione più transport: { type: "webrtc", sdp: ... }. In caso di successo restituisce HTTP 201 con session.id e transport.sdp, che il browser applica come descrizione remota. I media viaggiano sulle tracce negoziate; il canale dati — etichetta oai-events — trasporta trascrizioni, aggiornamenti di sessione e lavoro delegato. Per chiudere la chiamata invii session.close e continui a leggere finché non arriva session.closed.

Due insidie da tenere appuntate sul monitor. La chiamata HTTP avvia da sola la sessione, quindi non devi inviare anche session.start sul canale dati. E non devi accodare l'audio in input né attendere i delta dell'audio in output su quel canale: lascia audio.format fuori dalla configurazione e lascia che sia SDP a gestirlo. Gli esempi del server limitano il corpo della richiesta a 64 KB, impostano il timeout della raccolta ICE a 10 secondi e della finalizzazione della sessione a 15.

Niente di tutto ciò è difficile. È tutto codice nuovo. Se il tuo prodotto è un agente realtime a turni, migrare a GPT-Live-1 è una riscrittura del trasporto più una riscrittura della delega, non un semplice cambio di ID del modello — da preventivare come uno sprint, non come un pomeriggio.

I benchmark, e chi li ha eseguiti tutti

Ogni dato riportato di seguito è di OpenAIOpe​nAI, pubblicato con il rilascio dell’API e non riprodotto in modo indipendente da nessuno al momento della stesura. Questa avvertenza conta più del solito qui, perché i delta sono abbastanza ampi da indurre a citarli come fatti assodati.

• Interattività full-duplex — GPT-Live-1 80,1% contro 45,4% di GPT-Realtime-2.1

• Latenza nell'alternanza dei turni — 0,8 s vs 1,4 s

• Precisione nella chiamata degli strumenti — 87% vs 60%

• Benchmark del supporto vocale bancario, tasso di superamento — 32% vs 12,4%

Leggi l'ultima riga due volte. Un tasso di successo del 32% è un grande miglioramento rispetto al 12,4% e significa comunque che il sistema ha fallito circa due terzi dei compiti in quella valutazione. I balzi nell'interattività e nella chiamata agli strumenti sono quelli che descrivono un prodotto davvero diverso; il dato bancario è quello onesto su quanto gli agenti vocali siano ancora lontani dal gestire un flusso di lavoro regolamentato senza supervisione.

Le prove dei clienti sono più scarse di quelle della tabella di benchmark e indicano la stessa direzione. Yelp usa GPT-Live-1 per le prenotazioni telefoniche, con il CTO Alex Levy citato per il miglioramento della gestione delle chiamate. La piattaforma di apprendimento linguistico Speak ha segnalato quasi l'80% in meno di interruzioni rispetto al suo precedente sistema basato sui turni — un dato autodichiarato da un'azienda con un interesse nel risultato, e comunque il numero di implementazione più concreto disponibile.

Il livello vocale è un front end; il cervello lo scegli tu

La scommessa architetturale è la delega, ed è la parte di questa release in cui un livello di routing si inserisce naturalmente. GPT-Live-1 non fa il ragionamento profondo. Quando un chiamante chiede qualcosa che richiede ragionamento, recupero di informazioni o uno strumento, il modello passa il compito attraverso un confine asincrono a un backend separato che continua a lavorare mentre la conversazione vocale prosegue, per poi reintegrare la risposta quando è pronta.

La configurazione è esplicita, e vale la pena leggere attentamente l'esempio nella documentazione. Accanto a model: "gpt-live-1" e alle istruzioni, la sessione porta un delegation oggetto di tipo responses, il cui blocco interno responses indica il modello backend, le sue istruzioni, i suoi strumenti — l'esempio usa web_search — e un tool_choice. Nell'esempio WebRTC pubblicato da OpenAI​OpeAI, quel modello backend è GPT-5.6 Terra.

Questa è la vera promessa del design: cambiare il backend e l'esperienza vocale diventa più intelligente senza riaddestrare il modello vocale. Significa anche che il backend di delega è portabile in un modo in cui il livello vocale non lo è. OrcaRouter non include gpt-live-1 — l'endpoint Live Sessions è solo di OpenAIOpe​nAI, e noi non ne instradiamo nessuna parte. Ma la metà dedicata alla delega parla la Responses API, e quella metà è interamente a tua scelta. GPT-5.6 Terra è live su OrcaRouter al prezzo di listino di OpenAIOpe​nAI — 2,00 $ per milione di token in input e 12,00 $ per milione in output, con l'endpoint Responses esposto — quindi il modello esatto nell'esempio di OpenAIOpe​nAI è a una sola chiamata di distanza, senza un secondo contratto o SDK.

In pratica, questo trasforma la scelta del backend in configurazione. Puoi fare un test A/B tra un modello di ragionamento economico e uno di frontiera sul traffico delle chiamate in tempo reale, modificando una riga e osservando il costo per chiamata, oppure tenere il modello di delega dietro un failover automatico, così che un brutto pomeriggio a monte non si porti giù anche la tua linea telefonica. Lo strato vocale per cui paghi 0,05 $ al minuto resta dov'è; tutto ciò che delega passa attraverso un'unica chiave su circa 190 modelli di undici provider upstream, al prezzo di listino del provider, senza alcun ricarico.

Cosa manca ancora

• Nessun input per immagini o video — immagini fisse e condivisione dello schermo non sono presenti in questa versione, perciò la superficie vocale multimodale che le modalità più vecchie di ChatGPT ancora mantengono rimane non affrontata

• Nessun output strutturato — se il tuo agente necessita di argomenti degli strumenti convalidati da schema, tale convalida deve risiedere nel tuo modello backend, non nel livello vocale

• Nessun accesso al piano gratuito e nessun fine-tuning — sia il costo che la personalizzazione iniziano dai piani a pagamento

• Nessuna valutazione indipendente di alcun numero chiave — ogni cifra sopra riportata è stata elaborata dal fornitore

• Un limite di 25 sessioni simultanee su Tier 1 — generoso per un progetto pilota, stretto per un call center dal primo giorno

Chi dovrebbe muoversi, e chi dovrebbe aspettare

Muoviti ora se stai costruendo telefonia — linee di prenotazione, prenotazione appuntamenti, supporto di primo livello — e il tuo stack attuale è la classica cascata ASR-to-LLM-to-TTS. La latenza e la gestione delle interruzioni sono esattamente ciò che quella pipeline perde, il prezzo al minuto è abbastanza prevedibile da mettere in un foglio di calcolo, e i documenti di OpenAIOpenAI ora includono un esempio di server in stile Twilio da cui copiare. Muoviti ora anche se sei già su un modello Realtime e il tuo prodotto è veramente conversazionale invece che a turni, perché la gestione delle interruzioni è la parte in cui GPT-Realtime-2.1 era peggiore.

Aspetta se la tua integrazione è basata sui turni e funziona. La riscrittura del trasporto è un lavoro vero, l'endpoint non supporta nient'altro e non esiste un percorso di migrazione che preservi il tuo codice WebSocket esistente. Aspetta anche se il tuo caso d'uso dipende da output strutturati degli strumenti o da input video, entrambi assenti qui.

Cosa tenere d'occhio nelle prossime settimane: la prima riproduzione indipendente del dato di interattività dell'80,1%, se la tariffa di $0,05 è introduttiva, se un GPT-Live-1 mini più piccolo arriva all'API come ha fatto dal lato consumer, e se l'input di immagini e schermo colma il divario. Finché un laboratorio esterno non eseguirà quella valutazione, il riassunto onesto è che questo è il modello vocale più capace che qualcuno abbia mai distribuito agli sviluppatori, con la ricevuta di quell'affermazione scritta da chi lo vende.