GPT-Live-1 może teraz wykonywać połączenia wychodzące: co tak naprawdę odblokowuje SIP GA i czego nadal nie potrafi

Najbardziej użyteczną nową rzeczą, jaką potrafi zrobić agent głosowy OpenAI, jest naciśnięcie 1. Od późnego wieczora 4 listopada 2026 r. sesja GPT-Live-1 może wykonać połączenie wychodzące na prawdziwy numer telefonu przez trunk SIP, wysłuchać menu, które odbiera, i przesłać tony klawiatury z powrotem linią. Ta ostatnia część — dwukierunkowy DTMF — to różnica między agentem głosowym, który mówi, a agentem głosowym, który potrafi przejść przez drzewo telefoniczne do działu, którego faktycznie potrzebuje.

Sam model nie jest nowy. GPT-Live-1 jest dostępny w ChatGPT Voice od 8 lipca 2026 r. i w API od 10 września 2026 r. w cenie 0,05 USD za minutę. Tym, co zmieniło się 4 listopada, jest warstwa transportowa. Justin Uberti z OpenAI ogłosił, że wychodzące API telefoniczne zostało „właśnie promowane … do GA”, „pozwalając deweloperom wykonywać połączenia telefoniczne z ich agenta głosowego Live” przez „dowolnego dostawcę trunka SIP (np. Telnyx lub Twilio)”; Greg Brockman nagłośnił to tej samej nocy. W ogłoszeniu dodano, że połączenia mogą korzystać z HD Voice oraz wysyłać i odbierać zdarzenia klawiatury.

To opowieść o możliwościach, a nie o modelu, a interesujący materiał znajduje się w dokumentacji, a nie w poście. Przewodnik OpenAI po Telephony i SIP stwierdza teraz, że połączenia wychodzące są „dostępne dla wszystkich organizacji przez Live API, a nie przez endpoint tworzenia wywołań Realtime API” — dwa zdania, które po cichu wykluczają dużą część integracji, które ludzie będą próbowali ponownie wykorzystać.

Co „GA” zmieniło, a czego nie

Przed promocją połączenia wychodzące istniały, ale nie były ogólnie dostępne — to właśnie oznacza „promoted”. Mechanizm był już zbudowany, a drzwi się otworzyły. Dokumentacja OpenAI zawiera teraz odpowiadające temu zdanie, że wychodzące połączenia SIP „są dostępne dla wszystkich organizacji przez Live API”, co jest najbliższe oświadczeniu o GA, jakie można znaleźć na stronie: sam przewodnik nigdzie nie zawiera etykiety beta, preview ani alpha.

To, co się nie zmieniło, to model głosowy. Przykład połączeń wychodzących w dokumentacji samego OpenAI nadal ustawia model: "gpt-live-1", a lista kontrolna partnera nadal mówi integratorom, aby szukali „wersji pakietu obsługującej gpt-live-1”. Nie ma modelu dedykowanego połączeniom wychodzącym, oddzielnej ceny ani poziomu telefonicznego. Płacisz te same $0.05 za minutę za warstwę głosową co we wrześniu; po prostu możesz teraz wydawać to na połączenia, które opuszczają Twój serwer.

Pewne zastrzeżenie operacyjne kryje się w przewodniku, a nie w ogłoszeniu: OpenAI każe potwierdzić, że „obsługa SIP w GPT-Live jest włączona dla Twojego projektu i że trunk SIP Twojego dostawcy jest kierowany do tego projektu przed użyciem tego przepływu”. Etykieta GA i włączone ustawienie projektu to nie to samo, a pierwsze zgłoszenie do wsparcia w tym tygodniu będzie od kogoś, kto ma jedno bez drugiego.

Wymagania wstępne, które decydują, czy Twój trunk w ogóle działa

OpenAI nie przyjęło SIP w ogólnym znaczeniu. Przyjęło wąski, nowoczesny wycinek tego standardu, a trunk, który nie spełnia któregokolwiek z poniższych warunków, nie połączy się, niezależnie od tego, co zapowiadała komunikacja o „dowolnym dostawcy trunków SIP”.

• Sygnalizacja — TLS jest wymagany, a nie opcjonalny. Zwykły SIP przez UDP lub TCP odpada.

• Media — wymagany jest SDES-SRTP, a SRTP musi być włączony u dostawcy, a nie tylko przez niego obsługiwany.

• URL dostawcy — oczekiwany jest sips: punkt końcowy, domyślnie na porcie 5061, bez danych uwierzytelniających, bez ścieżki i bez dołączonych parametrów URI.

• Miejsce docelowe — numer w formacie E.164, taki jak +14155550123, i nic więcej. URI SIP są wyraźnie nieobsługiwane, więc wewnętrzny schemat numerów wewnętrznych nie stanowi skrótu.

• Uwierzytelnianie — digest, z nazwą użytkownika i hasłem SIP oraz caller_number w formacie E.164, który staje się identyfikatorem dzwoniącego widocznym dla odbiorcy.

• Higiena sieci — lokalne nazwy hostów i dosłowne prywatne adresy IP są odrzucane, co wyklucza stanowisko testowe wskazujące na maszynę laboratoryjną.

• Format audio — pozostaw audio.format nieustawiony, ponieważ SIP negocjuje go sam. Ustawienie go to właśnie ten rodzaj pomocnie wyglądającego parametru, który psuje połączenie.

Zauważ, co to oznacza dla twierdzenia o „dowolnym dostawcy”. Każdy dostawca, który obsługuje sygnalizację TLS z mediami SDES-SRTP, będzie działać; bardzo wiele tanich trunków SIP nadal domyślnie korzysta z UDP i zwykłego RTP, a to zdanie ich nie obejmuje. Sposób podłączenia polega na utworzeniu sesji, a nie na webhooku: wysyłasz żądanie POST do /v1/live/sessions z transport.type ustawionym na sip, a przewodnik wyraźnie stwierdza, że „nie potrzebujesz webhooka dla połączeń przychodzących ani żądania akceptacji dla połączenia wychodzącego”.

W odpowiedzi otrzymujesz session.id oraz typ transportu, a dokumentacja wyjątkowo bez ogródek mówi o przepaści między tym a rzeczywistością: „Ta odpowiedź nie oznacza, że połączenie zostało odebrane”. Dzwonienie, odebranie i niepowodzenie przychodzą później jako zdarzenia transport.ringing, transport.answered i transport.failed na bocznym WebSocketcie pod adresem /v1/live/sessions/{session_id}/attach. Podłącz się natychmiast — odtwarzane są tylko zdarzenia z poprzedzających trzech sekund — i deduplikuj według event_id, ponieważ przewodnik ostrzega, że duplikaty dostarczeń są normalne.

Koperta: trzy minuty na dzwonek, dwie godziny na rozmowę

Dwie konkretne liczby w przewodniku zadecydują o tym, które przypadki użycia wychodzącego kontaktu okażą się wykonalne, a żadna z nich nie pojawiła się w ogłoszeniu.

• Limit dzwonienia — trzy minuty. Połączenie, które do tego czasu nie zostanie odebrane, kończy się.

• Limit połączenia — dwie godziny, po których sesja kończy się niezależnie od tego, co się dzieje.

• Powierzchnia sterowania — przekazanie przez /v1/live/sessions/{id}/refer, rozłączenie przez /v1/live/sessions/{id}/hangup, DTMF wysyłane pasmem bocznym za pomocą transport.dtmf.send.

• Tryby awarii — błędna konfiguracja sesji kończy się głośnym błędem już przy tworzeniu, konfiguracja transportu może zwrócić 502, przekroczenie limitu czasu inicjalizacji zwraca 504, a wszystko, co nastąpi później, przychodzi asynchronicznie jako transport.failed.

Trzyminutowe dzwonienie sprawdza się w połączeniach wychodzących do konsumentów, ale jest niewygodne w korporacyjnych centralach telefonicznych, które zawieszają połączenia. Dwugodzinny limit jest hojny, dopóki nie skierujesz agenta do kolejki wsparcia, gdzie długie oczekiwanie plus długa rozmowa mogą realnie się o niego otrzeć. Żaden z tych limitów nie jest zaskoczeniem w produkcie do komunikacji głosowej w czasie rzeczywistym; oba są czymś, co warto znać, zanim obiecasz klientowi SLA kampanii.

Ile naprawdę kosztuje połączenie

Na stronie cennika OpenAI sesje głosowe GPT-Live-1 są wyceniane na 0,05 USD za minutę, „rozliczane za sekundę, bez zaokrąglania w górę do pełnej minuty”. To całość opublikowanej ceny i tylko jeden z dwóch rachunków, jakie generuje połączenie wychodzące. Drugim jest opłata za terminację u operatora, która zależy od kierunku, wolumenu i wybranego dostawcy trunkingu. OpenAI odpowiada za przetwarzanie dźwięku i logikę sesji; dostawca obsługuje odcinek PSTN.

Jednominutowe odebrane połączenie — $0.050 od OpenAI plus stawka za minutę Twojego operatora.

• Czterominutowa rozmowa — 0,200 USD od OpenAI, plus opłata operatora.

• Tysiąc czterominutowych rozmów — 4000 minut, czyli 200 USD od OpenAI, plus operator.

• Godzina połączonej rozmowy — 3,00 USD od OpenAI, plus opłaty operatora.

Dwie rzeczy w tym liczniku wymagają uwagi. Po pierwsze, jednostką rozliczeniową jest minuta sesji, a nic na stronie cennika nie odróżnia mowy od ciszy, więc sekundy, które Twój agent spędza na słuchaniu muzyki w poczekalni, naliczają się w takim samym tempie jak sekundy, które spędza na mówieniu. Po drugie, przewodnik nie mówi, czy połączenie, które dzwoni przez trzy minuty i nigdy nie zostaje odebrane, jest sesją podlegającą rozliczeniu; to pytanie warto zadać działowi wsparcia, zanim uruchomisz dialer na dużą skalę, a nie po fakcie.

Użycie modelu backendowego i narzędzi jest rozliczane osobno, według modelu, do którego delegowano zadanie. Jeśli skierujesz ten odcinek przez OrcaRouter, 0% narzutu i ceny przekazywane bez zmian będą obowiązywać tam, a nie w przypadku minuty głosowej — więc obniżka ceny u dostawcy modelu rozumowania pojawi się na twoim rachunku tego samego dnia, a obniżka ceny gpt-live-1 nie.

Twoja integracja Realtime nie zostanie przeniesiona.

Najdroższym pojedynczym błędem, jaki można popełnić w tym tygodniu, jest założenie, że działający stos telefonii oparty na Realtime API to działający stos GPT-Live. Strona partnerska OpenAI mówi to wprost: „Integracja Realtime nie jest automatycznie kompatybilna z GPT-Live”. Punkt końcowy jest inny, model sesji jest inny, delegacja to koncepcja, której Realtime nie ma w takiej samej formie, a formaty audio i semantyka przerwań, które przewodnik każe sprawdzać u każdego partnera, nie są przenoszone.

Lista partnerów również komplikuje sformułowanie komunikatu. OpenAI dokumentuje LiveKit w kontekście agentów głosowych; Twilio Agent Connect w przypadku „połączeń przychodzących i wychodzących”; Telnyx w przypadku „scenariuszy połączeń wychodzących”; Bandwidth w przypadku „połączeń przychodzących” przez SIP; a Daily/Pipecat ogólnie w przypadku usługi Live. Innymi słowy, Bandwidth jest dokumentowany jako integracja połączeń przychodzących, a LiveKit i Pipecat są dokumentowane bez określenia kierunku połączeń. „Dowolny dostawca trunków SIP” to stwierdzenie o zgodności protokołów, a nie o tym, który z pięciu partnerów OpenAI wdrożył obsługę połączeń wychodzących.

Jeśli korzystasz z Twilio, migracja to ta, która ma dziś udokumentowaną ścieżkę wychodzącą. Jeśli korzystasz z Bandwidth dla ruchu przychodzącego, ruch wychodzący przez tę integrację to coś, czego dokumentacja jeszcze nie obiecuje.

Pytanie o wersję, którego nikt nie zadał

W nazwie istnieje realna niejednoznaczność. GPT-Live-1.1 trafił do ChatGPT Voice 15 października 2026 r. z nowymi głosami w sześciu językach, a OpenAI wciąż nie opublikowało gpt-live-1.1 identyfikatora modelu dla wywołujących API. Każdy przykład połączenia wychodzącego w przewodniku po telefonii używa gpt-live-1. Jeśli współpracownik powie Ci, że agent połączeń wychodzących działa na wersji 1.1, ponieważ tego używa ChatGPT, opisuje produkt konsumencki, a nie konfigurację Twojej sesji.

Praktycznie: podajgpt-live-1w swoim planie i potraktuj wszelką dostępność API 1.1 jako osobne wydarzenie do zweryfikowania w jego własnym dniu.

Gdzie odbywa się myślenie i dlaczego to dźwignia, którą kontrolujesz

GPT-Live jest podzielony na pół. W podsumowaniu samej dokumentacji czytamy, że „deleguje rozumowanie i korzystanie z narzędzi do backendu, podczas gdy zarządza rozmową głosową”. Warstwa głosowa obsługuje synchronizację, przerwania i prozodię; osobny model odpowiada za myślenie i wywołuje narzędzia. Ten backend jest konfigurowany dla każdej sesji w ramach delegation, w jednym z dwóch trybów.

• Delegowanie Responses — delegation.type: "responses" z wymaganym modelem, a także instrukcjami, narzędziami, wyborem narzędzi, limitami tokenów i poziomem usługi. Przewodnik OpenAI zaleca rozpoczęcie od gpt-6-luna lub gpt-6-sol w przypadku trudniejszych zadań, i zauważa, że „możesz wybrać model Responses niezależnie od modelu głosu”.

• Delegacja klienta — delegation.type: "client", gdzie Twoja aplikacja sama uruchamia backend. Według sformułowania OpenAI pozwala to na „dowolny model, agenta lub usługę obsługiwaną przez Twoją aplikację”.

To tutaj w rzeczywistości rozstrzygają się koszt i jakość agenta wychodzącego, a to jedyny wybór architektoniczny na tej stronie, który naprawdę należy do Ciebie. Model głosowy jest stały i, jak się okazuje, nie ma go w katalogu OrcaRouter — GPT-Live-1 to interfejs telefoniczny, który kupujesz od OpenAI, i żadna ilość sprytnego routingu tego nie zmieni. Backend to inna sprawa. W przypadku delegacji po stronie klienta to zwykłe wywołanie modelu wykonywane przez Twój kod, co oznacza jedno API dla ponad 200 modeli, jeden klucz u wszystkich dostawców, których oceniasz, automatyczne przełączanie awaryjne, jeśli dostawca pogorszy się w trakcie kampanii, oraz dobór modelu według typu połączenia: tani model do przejścia przez menu IVR, mocniejszy, gdy człowiek odbierze.

W przypadku delegacji Responses OpenAI realizuje ten etap i rozlicza go według własnych stawek. Obie opcje są zasadne; po prostu umieszczają decyzję w różnych miejscach. Jeśli chcesz, aby backend był miejscem podejmowania decyzji o routingu, delegowanie po stronie klienta to tryb, który to umożliwia.

Co ogłoszenie pominęło

Jak na wpis o GA, zapowiedź jest uboga w kwestie, które decydują o wdrożeniach. Nie mówi nic o dostępności regionalnej, opóźnieniach, limitach współbieżności ani o SLA. Nie mówi nic o obowiązkach w zakresie nagrywania, ujawniania informacji czy zgody — a połączenia wychodzące to jedyne miejsce w tym produkcie, gdzie te obowiązki nie są teoretyczne. W Stanach Zjednoczonych wykonywanie automatycznych połączeń do konsumentów bez zgody jest problemem z TCPA, zanim jeszcze stanie się problemem inżynieryjnym; w UE nagranie rozmowy bez poinformowania osoby po drugiej stronie to odrębny problem. API daje ci caller_number i endpoint do rozłączania. Zgodność z przepisami należy do ciebie.

„HD Voice” również warto traktować jako twierdzenie, a nie specyfikację. Dokumentacja OpenAI podaje jedynie, że SIP negocjuje format audio, i nie wymienia żadnych kodeków, więc informacja o dźwięku szerokopasmowym w poście jest deklaracją dostawcy, której nigdzie publicznie nie skwantyfikowano. Sprawdź to u swojego operatora, zanim wstawisz to do prezentacji.

Co zrobić z tym, w tym tygodniu

Jeśli już uruchamiasz agenta głosowego GPT-Live w WebRTC, ścieżka wychodząca to drugi transport, a nie przepisanie: nowa sesja tworzona z transport.type: "sip", trunk obsługujący TLS i SDES-SRTP oraz boczny WebSocket do obserwowania sygnału dzwonienia, odbierania i DTMF. Zaplanuj dzień na trunk, a nie na agenta.

Jeśli korzystasz z Realtime, nie planuj migracji przy założeniu, że to zmiana konfiguracji. Najpierw przeczytaj sekcje dotyczące delegacji i sesji, zdecyduj, czy Twoim backendem powinien być OpenAI, czy Twój własny, a dopiero potem wybierz partnera — ponieważ partner, którego już używasz do ruchu przychodzącego, może nie być tym, który ma udokumentowaną ścieżkę ruchu wychodzącego.

Jeśli nadal zastanawiasz się, czy w ogóle warto budować kanał połączeń wychodzących, liczbą, która ma znaczenie, jest 3,00 USD za godzinę aktywnego połączenia przed opłatami operatora, przy dwugodzinnym twardym limicie i trzyminutowym dzwonieniu. To wystarczająco tanio, by przetestować, i wystarczająco drogo, by czas oczekiwania był decyzją projektową, a nie przypadkiem. GA usunęła bramkę. Nie usunęła arytmetyki.