Perplexity lägger GPT-Live-1 bakom sitt röstläge: Vad bytet på Mac och webb faktiskt förändrar

Perplexitys röstläge i Mac-appen och på webben körs nu på GPT-Live-1, OpenAIs full-duplex-talmodell, och den funktion som följer med bytet är den del som är värd att läsa två gånger: en enda talad session kan styra flera Perplexity Computer-sessioner samtidigt, starta nya uppgifter mitt i en mening och skapa eller hantera Projekt utan att röra ett tangentbord. Tillkännagivandet gick ut från Perplexitys @AskPerplexity-konto den 28 oktober 2026 och gällde betalande Pro- och Max-prenumeranter på båda ytorna.

Det är en distributionshändelse, inte en modellansering. GPT-Live-1 har varit allmänt tillgänglig sedan OpenAI lade den på API:et den 10 september 2026, till $0,05 per röstminut, och den har funnits i ChatGPT Voice sedan den 8 juli. Det som har ändrats den här veckan är vem som hyr den, och vad de riktar den mot.

Varför ett byte av röstmodell är värt en rubrik

Röstgränssnitt brukade byggas internt på varje företag. Man köpte transkribering, anropade sin egen språkmodell och köpte syntes, och spenderade sedan den svåra delen av bygget på turdeteckning – regeln som avgör när användaren har talat klart. Det är den regeln som gör att de flesta röstprodukter dör: för ivrig, och agenten talar över folk; för långsam, och varje samtal känns som en dålig internationell telefonlinje.

GPT-Live-1 eliminerar den skarven. Det är en enda modell som lyssnar medan den genererar, beslutar många gånger per sekund om den ska tala eller vänta och överlämnar tungt resonemang till en textmodell i bakgrunden utan att pausa ljudet. Perplexity behövde inte bygga någon barge-in-policy för att få flersessionskontroll att fungera; den ärvde en.

Den praktiska konsekvensen för läsare som bygger sina egna röstprodukter är krass: det turtagningsskikt du tänkte skriva är nu något du hyr. Om det blir billigare beror helt och hållet på hur många minuter din agent lyssnar i stället för att tala – en fråga som är värd att räkna på innan du binder dig, eftersom mätaren löper under hela sessionen, tystnaden inräknad.

Datordelen är den verkliga produktförändringen.

Modellbyten är osynliga för användare. Fleressionsstyrning av Computer är det inte. Fram till den här uppdateringen var Perplexity Computer en enda agentloop som du övervakade på skärmen. Det nya röstlagret låter dig föra en konversation medan flera sessioner körs i bakgrunden, starta en ny genom att säga till och hantera Projekt via namn. Det är närmare en dispatcher än en chattbot, och det är det första röstgränssnittet för konsumenter vi har sett som behandlar parallella agentsessioner som standard snarare än undantag.

Tre detaljer gör jobbet här:

En session, många arbetare — en rösttur kan adressera mer än en Computer-session utan att avsluta den aktuella.

• Uppgiftskapande via tal — nytt arbete kan köas mitt i konversationen i stället för efter den.

• Projektledning genom namn – Projekt blir objekt som du kan skapa och byta namn på med rösten, vilket innebär att röstlagret måste tolka referenser, inte bara transkribera.

Inget av det kräver i teorin en full-duplexmodell. Allt är mycket enklare med en, eftersom agenten kan bekräfta en begäran med "mhmm" medan det faktiska arbetet börjar, i stället för att tystna i åtta sekunder och hoppas att användaren väntar.

Perplexity döpte den till v1. OpenAI har sedan dess släppt v1.1

Den skarpa detaljen i tillkännagivandet är versionssträngen. Perplexity säger att dess röstläge körs på GPT-Live-1. I ChatGPT Voice började OpenAI rulla ut GPT-Live-1.1 den 15 oktober 2026, två veckor före denna omställning. Perplexity har inte sagt om man utvärderade 1.1, om man avsiktligt har låst sig till v1 för stabilitet, eller om en uppgradering är schemalagd.

Läs det som normal ingenjörskonst snarare än en skandal. En plattform som integrerar en talmodell i en konsumentapp värderar en fryst ögonblicksbild med förutsägbar latens mycket högre än den nyaste checkpointen, och OpenAI har inte publicerat en migreringsguide som gör 1.1 till en drop-in. Men det betyder att modellen i Perplexity-appen i dag inte är modellen i ChatGPT i dag, och varje jämförelse av de två röstupplevelserna mäter olika vikter.

Ekonomin som Perplexity inte har talat om

OpenAI:s egen dokumentation anger ett pris för den här modellen: $0.05 per minut för röst, fakturerat per sekund och utan upprundning, med en avgift på 15 sekunder för sessionsinitiering som krediteras mot senare varaktighet. Resonemang, verktyg och webbsökning körs på en separat textmodell och faktureras separat. Perplexity säljer en fast prenumeration.

De två faktureringsmodellerna passar inte naturligt. En Max-prenumerant som använder röst två timmar i veckan – inte en ovanlig mängd för någon som just har fått handsfree-kontroll över flera agentsessioner – förbrukar ungefär 520 minuter i månaden. Till listpris är det cirka 26 dollar bara för röst, innan resonemangsanropen bakom varje Computer-uppgift. En prenumerant som lämnar en session öppen medan den tänker, eller som låter den köra som bakgrundskontroll, kostar mer, eftersom tystnad debiteras i samma takt som tal.

Varje plattform som vidareförsäljer en mätarbaserad röstmodell enligt ett fast abonnemang satsar på detta, och satsningen stämmer oftast vid lansering: de flesta abonnenter använder långt mindre än den tunga svansen. Det intressanta talet att följa är inte genomsnittet utan 95:e percentilen, och inget av de två företagen publicerar den.

På OpenAI:s sida är siffran per timme som är viktig för kapacitetsplaneringen kostnaden för ljudinmatning, inte samtalstiden. Artificial Analysis uppmätte GPT-Live-1 till 5,83 USD per timme för ljudinmatning i dess high-reasoning-konfiguration och 4,47 USD i dess låga, med ett fast benchmark-set på 40 frågor – en användbar påminnelse om att rubrikens 0,05 USD endast täcker röst.

Hur bra är modellen som Perplexity just har adopterat?

På Artificial Analysys oberoende drivna Speech-to-Speech Index får GPT-Live-1 83,2 i sin Astra-medium-konfiguration, näst bäst av 21 poängsatta modeller efter Grok Voice 3.0 på 86,9, och 80,1 i sin Sol-low-konfiguration på femte plats. I samma laboratoriums Speech Agent Arena – blind preferens över verkliga samtal i bokningsstil – ligger de två konfigurationerna på 1037 respektive 1041 Elo, med uppgiftsframgångsnivåer på 87,4 % och 90,9 %.

Konfigurationssträngen är inte dekoration. GPT-Live-1 resonerar inte internt; den delegerar till en namngiven backend, och vilken backend du väljer ändrar både poängen och notan. Perplexity har inte offentliggjort vilken backend den kombinerar med röstlagret, så dess faktiska kvalitet är okänd utifrån även om dess röstmodell nu är allmänt känd.

Routningsfrågan som ingen ställde

Här är den strukturella poängen som det här tillkännagivandet synliggör. Perplexitys röstben hyrs nu från OpenAI och kan inte ersättas – GPT-Live-1 exponerar exakt en slutpunkt, v1/live/sessions, och är uttryckligen inte ett drop-in-alternativ för Realtime API. Det benet är låst. Resonemangsbenet bakom det är inte.

Det är här en router gör sin nytta: textmodellen som utför tänkandet för varje Computer-uppgift kan bytas ut, växlas över vid fel eller delas upp efter uppgiftstyp utan att röra röstlagret. På OrcaRouter når samma nyckelGPT-6 Astra, GPT-5.6 Terra och GPT-5.6 Sol — de nivåer som OpenAI självt använder som delegeringsmål — tillsammans med Claude-, Gemini-, Qwen- och GLM-modeller, med leverantörernas listpriser vidarebefordrade med 0 % påslag och automatisk redundansväxling när en backend försämras. När en leverantör sänker ett pris återspeglas det i den routade delen samma dag.

För att vara precisa om vad vi inte gör: OrcaRouter levererar inte GPT-Live-1. Röstbenet ligger kvar på OpenAI:s API. Det vi routar är allt nedströms om det, vilket är där variationen i kostnad och tillförlitlighet för en röstagent faktiskt ligger.

Vad du ska titta på härnäst

Tre saker skulle förändra den här historien. Om Perplexity flyttar till GPT-Live-1.1 upphör versionsanteckningen ovan att ha någon betydelse, och appens röstkvalitet borde förbättras i takt med det som 1.1 ändrade. Om OpenAI publicerar kostnadskontroller per session — ett tak, en tystnadstimeout, en billigare inaktivitetstaxa — blir kalkylen för den fasta prenumerationen enklare för varje återförsäljare. Och om en konkurrerande full-duplexmodell landar på ett jämförbart index blir beroendet av en enda leverantör i den här integrationen ett val snarare än ett standardläge.

För utvecklare är den användbara tolkningen snävare. Om du bygger ett röstgränssnitt med mycket avbrott – ärendemottagning, bokning, dispatch, allt där användaren talar mer än agenten – är en full-duplexmodell nu det förnuftiga standardvalet, och prissättning per minut är priset för det. Om du bygger narrering, högläsning eller något som producerar ljud från text på begäran, är den här modellen prissatt och utformad för fel uppgift, och TTS-jämförelsen är en helt annan artikel.