Wygenerowana karta tytułowa zatytułowana „GPT-Live-1.1 trafia do API” z podtytułem „19 listopada 2026”, przedstawiająca po lewej kartę oznaczoną „Aktywna sesja” w cenie 0,05 USD za minutę, a po prawej kartę oznaczoną „Sesja w gotowości” w cenie 0,02 USD za minutę rozliczaną za sekundę, połączone strzałką oznaczoną „o 60% tańsza cisza”.
Guides & Insights

GPT-Live-1.1 trafia do API: tryb czuwania kosztuje teraz 0,02 USD

Autor

Gideon Frost

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Pięć tygodni po tym, jak GPT-Live-1.1 zastąpił swojego poprzednika w ChatGPT Voice, stał się dostępny do wywołania. Model trafił do OpenAI API 19 listopada 2026 r. pod identyfikatorem gpt-live-1.1, osiągalny wyłącznie przez v1/live/sessions. Wpis w dzienniku zmian liczy trzy zdania i wspomina o wymowie, spójności akcentu oraz transkrypcji. Prawdziwa wiadomość kryje się na stronie cennika: obok dobrze znanej stawki 0,05 USD za aktywną minutę głosową pojawia się teraz druga pozycja — 0,02 USD za minutę — dla sesji połączonej, ale nieprzeprowadzającej rozumowania. Cisza, która niegdyś kosztowała tyle samo co mowa, jest teraz o 60% tańsza.

Ta druga linia to część warta zrozumienia, ponieważ zmienia kształt modelu kosztów, a nie wielkość jednej liczby. To nota o wydaniu dotycząca zamiany modelu połączonej ze zmianą rozliczeń, a to właśnie zmiana rozliczeń będzie widoczna na Twojej fakturze.

Co wydano 19 listopada

Strona modelu opisuje GPT-Live-1.1 jako pełnodupleksowy model głosowy do wielojęzycznych rozmów, a jedyne stwierdzenie o możliwościach dołączone do zmiany wersji ma charakter porównawczy i nie jest skwantyfikowane: w porównaniu z GPT-Live-1 „transkrybuje mowę dokładniej i zachowuje bardziej spójny akcent i głos w różnych językach”. Nie ma tabeli wyników porównawczych, współczynnika błędów słów ani listy języków, w których poprawa jest jaka. Warto powiedzieć to wprost, ponieważ numer wersji skłania do założenia o zmierzonym ulepszeniu, a O​penAI opublikowało twierdzenie, a nie pomiar.

Strukturalnie nic więcej się nie zmieniło. Modalności wejściowe i wyjściowe to dźwięk i tekst. Lista obsługiwanych funkcji obejmuje strumieniowanie i wywoływanie funkcji. Obrazy i wideo nie są danymi wejściowymi. Chat Completions, Responses, Realtime, transkrypcja, tłumaczenie, generowanie mowy, przetwarzanie wsadowe, fine-tuning, embeddings i moderacja są wymienione jako nieobsługiwane — endpoint sesji Live jest jedynym wejściem, co odpowiada układowi, jaki GPT-Live-1 ma od momentu ogólnej dostępności 10 września 2026 r.

Wokół modelu zgromadziła się biblioteka głosów. Dokumentacja Live wymienia teraz 21 nazwanych głosów obejmujących angielski z akcentami australijskim, brytyjskim, irlandzkim, północnoamerykańskim, filipińskim i z południa USA, a także brazylijski portugalski, niemiecki, francuski, hindi, japoński i koreański. Dziewięć z nich — Nuri, Juni, Flitz, Brise, Sillage, Nira, Harema, Shida i Noeul — dodano 16 października 2026 r. wraz z ogólną dostępnością prompt-to-voice dla wszystkich klientów API. Głosy generowane na podstawie promptów można tworzyć bezpłatnie, a przy użyciu są rozliczane według standardowych stawek za sesję; działają z GPT-Live, ale nie z samodzielnym punktem końcowym text-to-speech.

Standby to prawdziwa zmiana

Generated comparison card titled 'GPT-Live-1.1 — the scoreboard' with six labelled rows: voice session rate $0.05 per active minute, standby rate $0.02 per minute, billing unit per second, API surface v1/live/sessions only, inputs audio and text, and independent score none yet with GPT-Live-1 at 83.2 and 80.1.

Sesja głosowa pozostająca otwarta, gdy nikt nie mówi, to normalny stan agenta telefonicznego, asystenta w samochodzie lub infolinii z klientem oczekującym na połączenie. Do tego tygodnia za tę ciszę płaciło się według stawki aktywnej. Teraz możesz skonfigurować sesję tak, aby po określonym czasie bez mowy przestawała prowadzić wnioskowanie i wznawiała je, gdy ktoś się odezwie, a czas wstrzymania jest rozliczany według stawki $0,02 za minutę.

Konfiguracja jest niewielka i konkretna:

Screenshot of the GPT-Live-1.1 model page on the OpenAI developer site, showing the live session duration prices of $0.05 per minute active and $0.02 per minute on standby, alongside the endpoint support grid.

• Polityka wybudzania — ustaw session.wake_policy.type na speech, aby sesja czekała na mowę, zanim rozpocznie wnioskowanie, zamiast zaczynać przy połączeniu.

• Limit czasu bezczynności — ustaw session.idle_timeout_s na liczbę całkowitą od 5 do 60. Określa ona, ile sekund bez transkrypcji wejścia lub wyjścia musi upłynąć, zanim sesja powróci do trybu gotowości. Jeśli go pominiesz, wnioskowanie pozostaje aktywne po pierwszym wybudzeniu aż do zakończenia sesji, co stanowi dotychczasowe zachowanie pod nową nazwą.

• Czułość — session.wake_policy.vad_thresholdprzyjmuje liczbę od 0 do 1 i domyślnie wynosi 0,5. Wyższe wartości wymagają silniejszych dowodów mowy, zanim sesja się obudzi, co jest pokrętłem, które przekręcasz, gdy hałaśliwy pokój ciągle ją budzi.

• Zdarzenia — session.paused jest emitowane, gdy limit czasu bezczynności zatrzymuje wnioskowanie; session.resumed jest emitowane, gdy wnioskowanie jest ponownie gotowe, w tym przy pierwszym wybudzeniu.

Dwa szczegóły operacyjne mają większe znaczenie niż lista parametrów. Ścieżka mikrofonu pozostaje aktywna, gdy sesja jest w trybie gotowości, a identyfikator połączenia i sesji pozostaje ten sam — sesja wznawia się i przywraca historię rozmowy, gdy użytkownik mówi, więc nie uwierzytelniasz ponownie dzwoniącego ani nie odtwarzasz kontekstu. A tryb gotowości jest funkcją WebRTC: dokumentacja opisuje go dla sesji WebRTC, a wskazówki dotyczące sesji bezczynnych w przypadku innych transportów mówią, aby zamknąć sesję i rozpocząć nową. Jeśli korzystasz z WebSockets lub SIP, niższa stawka nie jest dźwignią, którą masz.

Koszt również nie jest zerowy. Dokumentacja wyraźnie stwierdza, że po trybie czuwania pierwsza odpowiedź na krótką wypowiedź może zająć więcej czasu, ponieważ model ponownie uruchamia wnioskowanie, zamiast je kontynuować. Opóźnienie w pierwszej turze po ciszy okupujesz 60-procentowym skróceniem samej ciszy.

Ile kosztuje minuta ciszy

Obie stawki są rozliczane za sekundę, więc obliczenia są ciągłe, a nie zaokrąglane do pełnej minuty. Własny przykład obliczeniowy OpenAI dotyczy połączenia, które przez 60 sekund jest aktywne i przez 30 sekund w stanie czuwania: jedna minuta po 0,05 USD plus pół minuty po 0,02 USD daje 0,06 USD za 90 sekund czasu połączenia. Gdyby wszystkie 90 sekund było aktywne, to samo połączenie kosztowałoby 0,075 USD.

Przełóż to na coś, co wygląda jak wdrożenie. Ośmiogodzinna zmiana z połączeniami przy 30% czasu w gotowości to 5,6 godziny aktywnej pracy po 3,00 USD i 2,4 godziny gotowości po 1,20 USD — 19,68 USD wobec 24,00 USD, czyli oszczędność 4,32 USD na zmianę, około 18%. Zwiększ czas gotowości do połowy zmiany, a ten sam dzień będzie kosztować 16,80 USD, czyli o 30% mniej. To są wyłącznie kwoty dotyczące linii głosowej. Korzystanie z modelu backendowego i narzędzi jest rozliczane osobno i w rzeczywistym wdrożeniu często stanowi większą kwotę.

Generated cost card titled 'Eight-hour voice shift, three standby levels' with three cards: all active at $24.00, 30% standby at $19.68 saving $4.32, and 50% standby at $16.80 saving $7.20, captioned 'Voice-line cost only; backend tokens billed separately'.

Jedna opłata pozostaje mimo optymalizacji: utworzenie sesji WebRTC za pomocąPOST /v1/live/sessions nalicza 15 sekund czasu trwania głosu podczas inicjalizacji sesji. Kwota ta jest zaliczana na poczet opłat za czas trwania, gdy sesja zacznie działać, więc nie jest to dopłata do sesji, która działa — ale jest to realny koszt dla aplikacji, która otwiera sesje spekulacyjnie, i sprawia, że „zamknij sesję i zacznij kolejną” jest mniej darmowe, niż brzmi w przypadku krótkich interakcji.

Backend to osobny rachunek.

GPT-Live to system dwuczęściowy i podniesienie wersji tego nie zmieniło. Model głosowy obsługuje rozmowę mówioną; rozumowanie i korzystanie z narzędzi są delegowane przez asynchroniczną granicę do skonfigurowanego przez Ciebie modelu backendowego lub agenta. W przypadku delegowania do Responses GPT-Live wywołuje wskazany przez Ciebie model Responses i zwraca jego wyniki do rozmowy na żywo. W przypadku delegowania po stronie klienta Twoja aplikacja przygotowuje kontekst, uruchamia przepływ pracy i odsyła wyniki — to tryb, który należy wybrać, gdy potrzebujesz niestandardowego routingu między modelami, mechanizmów awaryjnych lub budżetów na poszczególne kroki backendu.

Dokumentacja O​penAI zaleca rozpoczęcie od gpt-6-luna i przejście na gpt-6-sol w przypadku bardziej złożonej pracy backendu, a oba korzystają ze standardowego licznika tokenów: 0,10 USD i 0,50 USD za milion tokenów dla Luna oraz 2,00 USD i 10,00 USD dla Sol, odpowiednio za dane wejściowe i wyjściowe. Podczas długiej rozmowy te wydatki na backend mogą całkowicie przewyższyć koszt linii głosowej, dlatego zniżkę za tryb gotowości należy postrzegać jako poprawkę do jednej pozycji rachunku, a nie do całego rachunku.

To także miejsce, w którym router broni swojej racji bytu. OrcaRouter nie obsługuje GPT-Live-1.1 — endpoint sesji Live należy do OpenAI, a katalog nie obejmuje modelu głosowego pełnodupleksowego. Obsługuje natomiast tę połowę systemu, która odpowiada za myślenie: gpt-6-luna, gpt-6-sol oraz reszta rodziny GPT-6 dostępne są za jednym kluczem w cenie katalogowej dostawcy, bez marży, dzięki czemu stronę tokenową wdrożenia Live można routować, przełączać awaryjnie i wyceniać tak samo jak wszędzie indziej. Jeśli oceniasz, który backend sprawia, że minuta głosu za 0,05 USD jest warta zapłaty, takie porównanie można tanio przeprowadzić przez jeden endpoint.

Otwarte pytanie

Nikt poza O​penAI nie opublikował jeszcze pomiaru GPT-Live-1.1. Indeks zamiany mowy na mowę Artificial Analysis, odczytany 20 listopada 2026 r., uwzględnia GPT-Live-1 dwukrotnie — 83,2 w indeksie z backendem klasy Astra przy średnim wysiłku rozumowania, 80,1 z backendem klasy Sol przy niskim — a w ogóle nie uwzględnia 1.1. To nie jest krytyka wydania; model ma od dnia dostęp w API, a niezależna ewaluacja trwa dłużej. To powód, by traktować twierdzenia o akcencie i transkrypcji jako deklarowane przez dostawcę, dopóki nie zostaną niezależnie potwierdzone, oraz powód, by przetestować dokładnie to, co kupujesz: jeśli Twój produkt obsługuje hiszpański i japoński, poprawa spójności akcentu albo jest słyszalna w Twoich własnych nagraniach, albo nie — i żadna strona trzecia nie może ci jeszcze tego powiedzieć.

Praktyczny wniosek na ten tydzień jest wąski. Jeśli już używasz GPT-Live-1, aktualizacja polega na zmianie identyfikatora modelu, bez zmiany ceny i bez zmian w API, a stawka za tryb gotowości jest dostępna dla obu modeli — wpis w changelogu obejmuje sesje WebRTC GPT-Live-1 i GPT-Live-1.1 łącznie. Ustaw limit bezczynności, zanim ustawisz cokolwiek innego, ponieważ to jedyna pozycja w wydaniu, która zmienia to, ile płacisz.

Porównane w tym artykule1

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie