Perplexity opiera swój tryb głosowy na GPT-Live-1: co faktycznie zmienia przełączenie na Maca i Web

Tryb głosowy Perplexity w aplikacji na Maca oraz w wersji internetowej działa teraz na GPT-Live-1, modelu mowy OpenAI z pełnym dupleksem, a możliwość związana z tą zmianą to element, który warto przeczytać dwa razy: jedna sesja głosowa może jednocześnie sterować kilkoma sesjami Perplexity Computer, rozpoczynać nowe zadania w połowie zdania oraz tworzyć Projekty i zarządzać nimi bez dotykania klawiatury. Ogłoszenie zostało opublikowane na koncie @AskPerplexity firmy Perplexity 28 października 2026 r. i dotyczyło płatnych subskrybentów planów Pro i Max na obu platformach.

To wydarzenie dystrybucyjne, a nie premiera modelu. GPT-Live-1 jest ogólnie dostępny od 10 września 2026 r., kiedy OpenAI udostępniło go w API w cenie 0,05 USD za minutę głosową, a w ChatGPT Voice znajduje się od 8 lipca. To, co zmieniło się w tym tygodniu, to kto go wynajmuje i na co go kieruje.

Dlaczego zmiana modelu głosowego zasługuje na nagłówek

Dawniej interfejsy głosowe składano wewnątrz każdej firmy. Kupowało się transkrypcję, wywoływało własny model językowy i kupowało syntezę, a następnie najtrudniejszą część budowy poświęcało się wykrywaniu tur — regule, która decyduje, kiedy użytkownik skończył mówić. To właśnie na tej regule przewraca się większość produktów głosowych: zbyt skwapliwa i agent wchodzi ludziom w słowo, zbyt wolna i każde połączenie przypomina złą linię międzynarodową.

GPT-Live-1 usuwa tę granicę. To jeden model, który słucha, gdy generuje, wiele razy na sekundę decyduje, czy mówić, czy czekać, i przekazuje ciężkie rozumowanie modelowi tekstowemu w tle, nie wstrzymując audio. Perplexity nie musiało tworzyć polityki przerywania, aby uruchomić kontrolę wielu sesji; odziedziczyło ją.

Praktyczna konsekwencja dla czytelników budujących własne produkty głosowe jest jednoznaczna: warstwa przejmowania tur, którą mieliście napisać, jest teraz czymś, co wynajmujecie. Czy wyjdzie to taniej, zależy wyłącznie od tego, ile minut Twój agent spędza na słuchaniu, a nie na mówieniu — to pytanie warte policzenia przed podjęciem decyzji, ponieważ licznik nalicza za całą sesję, łącznie z ciszą.

Część „Computer” to prawdziwa zmiana produktu.

Zmiany modeli są niewidoczne dla użytkowników. Sterowanie wieloma sesjami Computer już nie. Do tej aktualizacji Perplexity Computer był pojedynczą pętlą agenta, którą nadzorowałeś na ekranie. Nowa warstwa głosowa pozwala prowadzić jedną rozmowę, gdy w tle działa kilka sesji, uruchomić kolejną samym poleceniem głosowym oraz zarządzać Projektami po nazwie. To bardziej dyspozytor niż chatbot — i pierwszy konsumencki interfejs głosowy, jaki widzieliśmy, który traktuje równoległe sesje agentów jako normę, a nie wyjątek.

Trzy szczegóły robią tu całą robotę:

• Jedna sesja, wielu wykonawców — jedna wypowiedź głosowa może obsłużyć więcej niż jedną sesję Computer bez kończenia bieżącej.

• Tworzenie zadań głosem — nową pracę można dodać do kolejki w trakcie rozmowy, a nie dopiero po niej.

• Zarządzanie projektami po nazwie — projekty stają się obiektami, które można tworzyć i zmieniać nazwę na głos, co oznacza, że warstwa głosowa musi rozpoznawać odwołania, a nie tylko transkrybować.

Nic z tego w teorii nie wymaga modelu full-duplex. Z nim wszystko to jest znacznie łatwiejsze, ponieważ agent może potwierdzić prośbę „mhmm”, gdy zaczyna się właściwa praca, zamiast milczeć przez osiem sekund i mieć nadzieję, że użytkownik poczeka.

Perplexity nazwała wersję v1. OpenAI od tego czasu wydało wersję v1.1.

Najbardziej przykuwającym uwagę szczegółem w ogłoszeniu jest oznaczenie wersji. Perplexity twierdzi, że jej tryb głosowy działa na GPT-Live-1. W ChatGPT Voice OpenAI rozpoczął wdrażanie GPT-Live-1.1 15 października 2026 r., dwa tygodnie przed tą zmianą. Perplexity nie powiedziała, czy oceniła wersję 1.1, czy celowo została przypięta do wersji 1 ze względu na stabilność, czy też zaplanowano aktualizację.

Odczytuj to jako normalną praktykę inżynierską, a nie skandal. Dla platformy integrującej model mowy z aplikacją konsumencką znacznie większe znaczenie ma zamrożony snapshot zapewniający przewidywalną latencję niż najnowszy checkpoint, a OpenAI nie opublikowało przewodnika migracji, który czyni wersję 1.1 zamiennikiem typu drop-in. Oznacza to jednak, że model w aplikacji Perplexity dzisiaj to nie ten sam model co w ChatGPT dzisiaj, a wszelkie porównanie dwóch doświadczeń głosowych mierzy różne wagi.

Ekonomia, o której Perplexity milczy

Dokumentacja OpenAI podaje jedną cenę dla tego modelu: 0,05 USD za minutę głosu, rozliczane co sekundę i bez zaokrąglania w górę, przy czym opłata za inicjalizację sesji w wysokości 15 sekund jest zaliczana na poczet późniejszego czasu trwania. Rozumowanie, narzędzia i wyszukiwanie w internecie działają na osobnym modelu tekstowym i są rozliczane osobno. Perplexity oferuje subskrypcję w stałej cenie.

Te dwa modele rozliczeń nie pasują do siebie w naturalny sposób. Abonent Maxa, który używa głosu przez dwie godziny w tygodniu — co nie jest nietypowym wolumenem dla kogoś, kto właśnie zyskał bezdotykową kontrolę kilku sesji agentów — zużywa około 520 minut miesięcznie. W cenie katalogowej to około 26 dolarów za samą obsługę głosową, nie licząc wywołań rozumowania stojących za każdym zadaniem Computer. Abonent, który zostawia sesję otwartą, gdy myśli, albo utrzymuje ją uruchomioną jako sterowanie w tle, kosztuje więcej, ponieważ cisza jest rozliczana według tej samej stawki co mowa.

Każda platforma, która odsprzedaje rozliczany model głosowy w ramach planu ryczałtowego, stawia na to, i ten zakład zwykle się sprawdza w momencie startu: większość abonentów zużywa znacznie mniej niż wynosi ciężki ogon rozkładu. Liczbą, którą warto obserwować, jest nie średnia, ale 95. percentyl, a żadna z tych dwóch firm go nie publikuje.

Po stronie OpenAI wartością godzinową, która ma znaczenie dla planowania przepustowości, jest koszt audio wejściowego, a nie czas rozmowy. Artificial Analysis zmierzył GPT-Live-1 na poziomie 5,83 USD za godzinę audio wejściowego w konfiguracji high-reasoning i 4,47 USD w konfiguracji low, korzystając ze stałego zestawu 40 pytań benchmarkingowych — przydatne przypomnienie, że nagłówek 0,05 USD obejmuje wyłącznie głos.

Jak dobry jest model, który właśnie przyjęła Perplexity?

W niezależnie prowadzonym przez Artificial Analysis indeksie Speech-to-Speech Index GPT-Live-1 uzyskuje 83,2 punktu w konfiguracji Astra-medium, zajmując drugie miejsce spośród 21 ocenianych modeli — za Grok Voice 3.0 z wynikiem 86,9 — a w konfiguracji Sol-low plasuje się na piątym miejscu z 80,1 punktu. W prowadzonej przez tę samą pracownię Speech Agent Arena — ślepym teście preferencji na podstawie rzeczywistych rozmów w stylu rezerwacji — obie konfiguracje osiągają 1037 i 1041 punktów Elo, przy skuteczności realizacji zadań wynoszącej 87,4% i 90,9%.

Ciąg konfiguracyjny nie jest ozdobą. GPT-Live-1 nie rozumuje wewnętrznie; deleguje zadanie do wskazanego backendu, a wybór backendu zmienia zarówno ocenę, jak i rachunek. Perplexity nie ujawniła, z jakim backendem łączy warstwę głosową, więc jej rzeczywista jakość jest nieznana z zewnątrz, mimo że jej model głosowy jest już publicznie znany.

Pytanie o routing, którego nikt nie zadał

Oto strukturalny punkt, który ta zapowiedź uwidacznia. Głosowa odnoga Perplexity jest teraz dzierżawiona od OpenAI i nie można jej zastąpić — GPT-Live-1 udostępnia dokładnie jeden endpoint, v1/live/sessions, i wyraźnie nie jest zamiennikiem gotowym do podstawienia w miejsce Realtime API. Ta odnoga jest zablokowana. Odnoga rozumowania stojąca za nią nie jest.

I tu właśnie router znajduje swoje miejsce: model tekstowy odpowiedzialny za myślenie przy każdym zadaniu Computer można podmienić, przełączyć awaryjnie lub podzielić według typu zadania bez ingerencji w warstwę głosową. W OrcaRouter ten sam klucz daje dostęp do GPT-6 Astra, GPT-5.6 Terra oraz GPT-5.6 Sol — poziomów, których sam OpenAI używa jako celów delegacji — obok modeli Claude, Gemini, Qwen i GLM, z cenami listowymi dostawców przekazywanymi po 0% marży i automatycznym przełączaniem awaryjnym, gdy jeden z backendów ulega degradacji. Gdy dostawca obniża cenę, trasowany odcinek odzwierciedla to tego samego dnia.

Mówiąc precyzyjnie, czego nie robimy: OrcaRouter nie obsługuje GPT-Live-1. Część głosowa pozostaje w API OpenAI. Rutujemy wszystko, co znajduje się dalej w łańcuchu za nim — i to tam tak naprawdę tkwi zmienność kosztów i niezawodności agenta głosowego.

Co obejrzeć dalej

Trzy rzeczy zmieniłyby tę historię. Gdyby Perplexity przeszło na GPT-Live-1.1, uwaga o wersji powyżej przestałaby mieć znaczenie, a jakość głosu w aplikacji powinna się poprawić wraz z tym, co zmieniła wersja 1.1. Gdyby OpenAI opublikowało mechanizmy kontroli kosztów na sesję — limit, limit czasu ciszy, tańszą stawkę za bezczynność — kalkulacja abonamentu ryczałtowego stałaby się łatwiejsza dla każdego resellera. A gdyby konkurencyjny model full-duplex trafił do porównywalnego indeksu, zależność od jednego dostawcy w tej integracji stałaby się wyborem, a nie domyślnym rozwiązaniem.

Dla programistów praktyczny wniosek jest węższy. Jeśli budujesz interfejs głosowy z dużą liczbą przerwań — przyjmowanie zgłoszeń, rezerwacje, dyspozytornia, cokolwiek, gdzie użytkownik mówi więcej niż agent — model pełnodupleksowy jest teraz rozsądnym domyślnym wyborem, a rozliczanie za minutę to cena, jaką za to płacisz. Jeśli budujesz narrację, czytanie na głos lub cokolwiek, co generuje dźwięk z tekstu na żądanie, ten model jest wyceniony i ukształtowany pod niewłaściwe zadanie, a porównanie TTS to zupełnie inny artykuł.