Platform Day เดือนกันยายนของ Ope​nAI: GPT-Live-1 มาถึง API ขณะที่ Agents API เปิดให้ใช้งานในเวอร์ชันเบต้า

มีสองสิ่งเปิดตัวจากแพลตฟอร์มของ OpenAI เมื่อวันที่ 10 กันยายน 2026 และสิ่งที่เงียบกว่า�ามีรัศมีผลกระทบที่ใหญ่กว่า GPT-Live-1 — โมเดลเสียงแบบ full-duplex ที่ทำงานอยู่ใน ChatGPT มาตั้งแต่วันที่ 8 กรกฎาคม — ตอนนี้นักพัฒนาสามารถเรียกใช้งานได้ในราคา $0.05 ต่อนาทีของเสียง ควบคู่ไปกับมัน และถูกกล่าวถึงในข่าวน้อยกว่ามาก Agents API ได้เข้าสู่ช่วง public beta: ฮาร์เนสตัวเดียวกับที่รัน Codex ถูกเปิดให้ใช้เป็นผลิตภัณฑ์แบบโฮสต์พร้อมแซนด์บ็อกซ์ที่มีการจัดการ สิ่งหนึ่งคือเสียงที่ดีขึ้น อีกสิ่งหนึ่งคือ OpenAI ที่ขายสิ่งที่เคยเป็นส่วนที่ยากของการสร้างเอเจนต์

ทั้งคู่ได้มาจากแหล่งข้อมูลปฐมภูมิสำหรับบทความชิ้นนี้: ประกาศ Agents API ของ Ope​nAI โพสต์ชุมชนนักพัฒนาของบริษัทที่แนะนำ GPT-Live-1 ใน API และเอกสารสำหรับนักพัฒนาของทั้งสองอย่าง ในกรณีที่ตัวเลขมาจาก Ope​nAI แทนที่จะมาจากผู้ประเมินภายนอก ตัวเลขนั้นจะถูกระบุไว้เช่นนั้นด้านล่าง — และมีตัวเลขหนึ่งตัวที่มาจากภายนอกจริง ๆ ซึ่งทำให้เรื่องราวเปลี่ยนไปเล็กน้อย

Artificial Analysis เริ่มเผยแพร่ Speech to Speech Index ในปีนี้ และ GPT-Live-1 มีชื่ออยู่ในนั้น: 69.8% ซึ่งเป็นค่าเฉลี่ยถ่วงน้ำหนักจากความสามารถด้านการให้เหตุผลด้วยเสียง ประสิทธิภาพแบบเอเจนต์ ความชอบในอารีนา และความสำเร็จของงาน สิ่งนี้ทำให้มันอยู่อันดับที่เจ็ดจากสิบเอ็ดโมเดลที่ถูกให้คะแนน — ตามหลัง GPT-Realtime-2.1 ที่ 73.9% ซึ่งเป็นโมเดลที่มันเข้าไปแทนที่ และตามหลัง Grok Voice Think Fast 2.0 ที่ 79.0% กระดานคะแนนอิสระกับตารางเบนช์มาร์กของ OpenAI เองไม่ได้เล่าเรื่องเดียวกัน และทั้งสองก็เป็นความจริง

สิ่งที่เปิดตัวแล้ว เรียงตามลำดับที่มันจะเปลี่ยนสถาปัตยกรรมของคุณ

• เสียง — GPT-Live-1 เปิดให้ใช้งานแล้วใน API ในชื่อ gpt-live-1 โดยคิดค่าบริการ 0.05 ดอลลาร์ต่อนาทีสำหรับการใช้งานเสียง คิดค่าบริการเป็นรายวินาที ส่วนโมเดลการให้เหตุผลเบื้องหลังจะคิดค่าบริการแยกต่างหากตามอัตราของตัวเอง

• Agents — Agents API อยู่ในช่วงพับลิกเบตา Ope​nAI กล่าวว่าไม่มีค่าธรรมเนียมเพิ่มเติมสำหรับ API เอง; คุณจ่ายสำหรับโทเค็นของโมเดล เครื่องมือ และเวลาใช้งานคอนเทนเนอร์แซนด์บ็อกซ์ที่โฮสต์

• แซนด์บ็อกซ์ — ตอนนี้ OpenAI โฮสต์สภาพแวดล้อมสำหรับการรัน โดยใช้โครงสร้างพื้นฐานแซนด์บ็อกซ์ชุดเดียวกับ Codex และ ChatGPT ซึ่งกำหนดค่าได้ด้วยไฟล์ แพ็กเกจ สกิล และปลั๊กอิน

• สภาพแวดล้อม — นอกเหนือจากแซนด์บ็อกซ์ของ Ope​nAI เอง ทีมต่างๆ สามารถชี้เอเจนต์ไปที่โครงสร้างพื้นฐานของตนเองหรือไปที่ผู้ให้บริการแซนด์บ็อกซ์จากบุคคลที่สามในรายชื่อพันธมิตรเบต้าได้

การเปิดตัวระบบเสียงเป็นเรื่องราวในระดับโมเดล Agents API เป็นเรื่องราวในระดับแพลตฟอร์ม และเรื่องราวในระดับแพลตฟอร์มคือสิ่งที่ค่อย ๆ กำหนดทิศทางใหม่ให้กับโค้ดเบสอย่างเงียบ ๆ

Agents API: เอเจนต์หนึ่งตัวใน POST เดียว

การเรียกหลักคือ POST /v1/agents/sessions ซึ่งส่งด้วย Ope​nAI-Beta: agents=v1 เฮดเดอร์ และจุดขายคือ งาน โมเดล เครื่องมือ และสภาพแวดล้อม ก็เพียงพอที่จะได้เอเจนต์ที่ทำงานอยู่กลับมา SDK รองรับ Python, TypeScript/JavaScript, Go, Java และ Ruby

สิ่งที่ทำให้มันมากกว่าแค่ wrapper คือ OpenAI เป็นผู้ดำเนินการ harness เอง แทนที่จะเป็นเพียงผู้ส่งมอบ harness ของ AgentKit เป็นโอเพนซอร์สและตรวจสอบได้ แต่สำเนาที่รันจริงเป็นของ OpenAI — การบีบอัดบริบทในเซสชันยาว การค้นหาเครื่องมือ การเรียกใช้เครื่องมือแบบโปรแกรมเมติก การรองรับ MCP ฟังก์ชันที่กำหนดเอง การค้นหาเว็บในตัว และการจัดการเอเจนต์ย่อยด้วยการทำงานพร้อมกันที่กำหนดค่าได้ ความสามารถของ harness ที่มีเวอร์ชันจะมาพร้อมกับการเปิดตัวโมเดล ซึ่งเป็นความมุ่งมั่นที่น่าสนใจ: โครงสร้างพื้นฐานเคลื่อนที่ในจังหวะเดียวกับโมเดล

สำหรับใครก็ตามที่ใช้เวลาหนึ่งไตรมาสไปกับการดูแลลูป — ตรรกะการลองใหม่ การตัดทอนบริบท การจัดเส้นทางเครื่องมือ การกระจายงานไปยังเอเจนต์ย่อยที่มักรั่วไหลสถานะอยู่เสมอ — นั่นแหละคือผลิตภัณฑ์ที่แท้จริง ไม่ใช่การเรียกโมเดล แต่เป็นงานระบบท่อรอบ ๆ มันที่คุณไม่ต้องเขียนอีกแล้ว

แซนด์บ็อกซ์ที่โฮสต์ไว้คือส่วนที่มาพร้อมกับบิลเรียกเก็บเงิน

เอเจนต์ที่รันโค้ดจำเป็นต้องมีที่ให้รันโค้ด และเบต้านี้มาพร้อมคำตอบของ Ope​nAI เอง: แซนด์บ็อกซ์แบบมีการจัดการที่รันโค้ด ทำงานกับไฟล์ และสร้างอาร์ติแฟกต์ ปรับแต่งได้ด้วยแพ็กเกจ สกิล และปลั๊กอิน นักพัฒนาที่มีสภาพแวดล้อมสำหรับรันโค้ดที่เสริมความปลอดภัยแล้วอยู่แล้วไม่ถูกบังคับให้ใช้มัน — ทั้งการนำโครงสร้างพื้นฐานของคุณเองมาใช้ และชุดพาร์ตเนอร์แซนด์บ็อกซ์ที่ระบุชื่อ ต่างก็อยู่ในเบต้านี้

มีข้อควรระวังเชิงปฏิบัติการสองข้อที่ควรบันทึกไว้ก่อนที่คุณจะต่อยอดจากมัน Data residency ในเวอร์ชันเบต้าคือเฉพาะสหรัฐฯ และ Zero Data Retention ไม่ได้รับการรองรับ สำหรับเวิร์กโหลดที่อยู่ภายใต้การกำกับดูแล สองบรรทัดนี้เป็นตัวตัดสินว่าเรื่องนี้เป็นโครงการนำร่องหรือเส้นทางสู่โปรดักชัน และเป็นรายละเอียดที่มักถูกค้นพบกันช้า

GPT-Live-1 ใน API: การคิดค่าบริการแบบเหมาจ่ายต่อนาทีคือการเปลี่ยนแปลงที่แท้จริง

ตัวโมเดลเสียงเองไม่ใช่ของใหม่ — มันเข้ามาแทนที่ Advanced Voice Mode ภายใน ChatGPT เมื่อวันที่ 8 กรกฎาคม — แต่รูปแบบเชิงพาณิชย์ต่างหากที่เป็นของใหม่ ภายใต้สาย Realtime เสียงถูกคิดค่าบริการเป็นโทเคน ซึ่งหมายความว่าการคาดการณ์ต้นทุนของการโทรหนึ่งครั้งต้องจำลองอัตราการเผาไหม้ของเสียง: เสียงเงียบหนึ่งวินาทีกินโทเคนเท่าไร การที่ผู้โทรพูดทับเอเจนต์เปลี่ยนความยาวเอาต์พุตอย่างไร อัตราคงที่ $0.05 ต่อนาทีเสียงทำให้เรื่องนั้นย่อเหลือแค่การคูณ สายเปิดต่อเนื่องหนึ่งชั่วโมงคือ $3.00 ค่าเฉลี่ยสี่นาทีต่อการโทรหนึ่งพันครั้งต่อวันอยู่ที่ประมาณ $200 ต่อวัน

เซสชันทำงานจากเอนด์พอยต์ Live Sessions ด้วย model ID เดียว และไม่มีสแนปช็อตที่ระบุวันที่ให้ปักหมุด เอกสารประกอบครอบคลุม WebRTC, WebSockets และ telephony/SIP ในฐานะเส้นทางเชื่อมต่อ และ quickstart ที่เผยแพร่ได้สร้างเส้นทาง WebRTC การเรียกเก็บเงินมีสองมิเตอร์ และมีเพียงหนึ่งในนั้นที่เป็นเสียง: ทุกการเรียกใช้การให้เหตุผลแบบมอบหมาย การเรียกใช้เครื่องมือ และการค้นหาเว็บ จะถูกคิดค่าบริการในอัตราปกติของโมเดลแบ็กเอนด์

สถาปัตยกรรมนี้คือการมอบหมายงาน GPT-Live-1 ดูแลการสนทนา — ตัดสินใจหลายครั้งต่อวินาทีว่าจะฟังต่อไป หยุดชั่วคราว ขัดจังหวะ หรือมอบงานต่อ — และส่งทุกอย่างที่ต้องใช้การให้เหตุผลจริงข้ามขอบเขตแบบอะซิงโครนัสไปยังแบ็กเอนด์แยกต่างหาก ซึ่งยังคงทำงานต่อไปในขณะที่การสนทนาด้วยเสียงดำเนินไป เอกสารระบุไว้สองโหมด: การมอบหมายแบบ Responses ซึ่ง Ope​nAI เรียกโมเดล Responses ที่รองรับให้คุณและจัดหาบริบทการสนทนา และการมอบหมายแบบไคลเอนต์ ซึ่งแอปพลิเคชันของคุณเองเป็นผู้จัดหาแบ็กเอนด์และคงการควบคุมการทำงาน บริบท และผลลัพธ์ใดบ้างที่ไปถึงเลเยอร์เสียง ในตัวอย่าง Responses ที่เผยแพร่ แบ็กเอนด์นั้นคือ GPT-5.6 Terra ซึ่งระบุชื่อไว้ในการมอบหมายออบเจ็กต์พร้อมกับคำสั่งและเครื่องมือของตัวเอง ในการเปิดตัวสำหรับผู้บริโภคเมื่อเดือนกรกฎาคมนั้นคือ GPT-5.5 ส่วนบทความจากคอมมูนิตี้ตั้งแต่นั้นมาก็ชี้ไปที่ GPT-6 Astra

ทุกตัวเลขพาดหัวสำหรับเลเยอร์เสียงเป็นของ OpenAI เอง และ ณ เวลาที่เขียน ยังไม่มีใครทำซ้ำได้อย่างอิสระ: 80.1% ด้านการโต้ตอบบน Full Duplex Bench v1.5 เทียบกับ 45.4% สำหรับ GPT-Realtime-2.1, ความหน่วงในการผลัดกันพูด 0.798 วินาที เทียบกับ 1.41 วินาที, ความสำเร็จในการเรียกใช้เครื่องมือ 87% และอัตราการผ่าน 32% ในการประเมินการสนับสนุนด้วยเสียงด้านธนาคาร เทียบกับ 12.4% สำหรับโมเดลที่มันมาแทนที่ คู่หลังสุดนั้นคือคู่ที่ซื่อสัตย์ — เป็นการปรับปรุงครั้งใหญ่ และยังเป็นระบบที่ล้มเหลวประมาณสองในสามของเวิร์กโฟลว์ที่มีการกำกับดูแล มีหลักฐานจากลูกค้าบุคคลที่สามอยู่ แต่เบาบางและมีผลประโยชน์ส่วนตัว: Yelp สำหรับการจองทางโทรศัพท์, EliseAI และแพลตฟอร์มการเรียนรู้ Speak รายงานว่ามีการขัดจังหวะน้อยลงเกือบ 80% เมื่อเทียบกับสแต็กแบบผลัดกันพูดก่อนหน้านี้

ผลลัพธ์จากฝ่ายอิสระนั้นไม่ค่อยน่าชื่นชมเท่าไหร่ และควรนำไปวางไว้ข้างรายการด้านบนมากกว่าจะวางไว้ใต้รายการนั้น บนดัชนี Speech to Speech ของ Artificial Analysis ซึ่งเป็นคะแนนรวมค่าเดียวที่ครอบคลุมทั้งการให้เหตุผลด้านเสียง ประสิทธิภาพในฐานะเอเจนต์ ความชอบจากอารีนา และความสำเร็จของงาน GPT-Live-1 อยู่ที่ 69.8% ต่ำกว่า 73.9% ของ GPT-Realtime-2.1 และต่ำกว่าอย่างชัดเจนเมื่อเทียบกับ 79.0% ของ Grok Voice Think Fast 2.0 เมื่ออ่านทั้งสองอย่างประกอบกัน รูปร่างหน้าตาของผลิตภัณฑ์ก็ชัดเจนขึ้น: OpenAI สร้างกลไกการสนทนาที่ดีที่สุดที่มีอยู่ในตลาด แต่ไม่ได้สร้างเอเจนต์เสียงที่ดีที่สุด เพราะการให้เหตุผลถูกมอบหมายให้โมเดลที่ดัชนีให้คะแนนแยกต่างหาก

ประกาศทั้งสองฉบับเป็นประกาศฉบับเดียวกัน

เมื่ออ่านควบคู่กัน ทั้งสองการเปิดตัวอธิบายการจัดระเบียบใหม่แบบเดียวกันจากสองทิศทาง Agents API ย้ายลูป แซนด์บ็อกซ์ และการจัดการบริบทไปไว้ในผลิตภัณฑ์แบบโฮสต์ GPT-Live-1 ย้ายพื้นผิวการสนทนาไปเป็นฟรอนต์เอนด์แบบบางที่มอบหมายการคิดของตนไปที่อื่น ในทั้งสองกรณี โมเดลเลิกเป็นสิ่งที่คุณสร้างระบบโดยมีมันเป็นแกนกลาง และกลายเป็นคอมโพเนนต์ที่คุณเลือก — และในทั้งสองกรณี การเลือกนั้นเป็นบรรทัดการกำหนดค่า มากกว่าจะเป็นข้อผูกมัดเชิงสถาปัตยกรรม

นั่นคือรอยต่อที่ชั้นการจัดเส้นทางเข้ามาอยู่พอดี OrcaRouter ไม่ได้ให้บริการgpt-live-1: จุดปลายทาง Live Sessions เป็นของ Ope​nAI เท่านั้น และเราไม่ได้จัดเส้นทางใดๆ ของมันเลย ส่วนการมอบหมายงานเป็นอีกเรื่องหนึ่ง แบ็กเอนด์ที่ชั้นเสียงส่งงานไปให้ใช้ Responses API และนั่นคือการเรียกโมเดลปกติ — โมเดลที่ตัวอย่างของ Ope​nAI เองระบุชื่อ GPT-5.6 Terra พร้อมใช้งานผ่าน OrcaRouter ในราคาตามรายการของ Ope​nAI ที่ $2.00 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ $12.00 ต่อเอาต์พุตหนึ่งล้านโทเค็น โดยมีจุดปลายทาง Responses เปิดให้ใช้ การมอบหมายฝั่งไคลเอนต์ไปไกลกว่านั้น: มันให้แอปพลิเคชันของคุณจัดหาแบ็กเอนด์เองได้เลย ซึ่งหมายความว่าโมเดลที่อยู่เบื้องหลังเสียงสามารถเป็นจุดปลายทางใดก็ได้ที่คุณควบคุม เช่นเดียวกันกับช่องโมเดลของ Agents API: ตัวรันเป็นของ Ope​nAI แต่โมเดลภายในเป็นทางเลือกที่คุณเก็บไว้ และโมเดลประมาณ 190 รุ่นจากผู้ให้บริการต้นทางสิบเอ็ดรายอยู่เบื้องหลังคีย์เดียวในราคาตามรายการของผู้ให้บริการ โดยไม่มีค่าบวกเพิ่ม

กล่าวให้ชัดเจน มีสามสิ่งตามมาจากเรื่องนี้ แบ็กเอนด์สามารถทดสอบแบบ A/B บนทราฟฟิกจริงได้โดยแก้เพียงบรรทัดเดียว ซึ่งเป็นวิธีที่คุณจะรู้ว่าตัวให้เหตุผลราคาถูกดีพอหรือไม่ก่อนจะผูกสายโทรศัพท์ไว้กับมัน การสลับไปใช้ระบบสำรองสามารถอยู่ภายใต้โมเดลการมอบหมายงาน ดังนั้นช่วงบ่ายที่ฝั่งอัปสตรีมมีปัญหาจะไม่ทำให้บทสนทนาล่มไปด้วย และงานหนึ่งงานสามารถรันกับแบ็กเอนด์หลายตัวในการเรียกครั้งเดียวผ่าน routing DSL หรือให้คณะโมเดลตอบพร้อมกันด้วยการหลอมรวมโมเดล — มีประโยชน์ทันทีที่เอาต์พุตของเอเจนต์ต้องได้รับความเชื่อถือ ไม่ใช่แค่ถูกสร้างขึ้นมา

อะไรที่ไม่มีในรีลีสทั้งสอง

• ไม่มีอินพุตรูปภาพหรือวิดีโอบน GPT-Live-1 — พื้นผิวเสียงแบบมัลติโมดัลที่โหมด ChatGPT รุ่นเก่ามีอยู่นั้นยังไม่ได้รับการจัดการ

• ไม่มีเอาต์พุตแบบมีโครงสร้างบนเลเยอร์เสียง ดังนั้นอาร์กิวเมนต์ของเครื่องมือที่ผ่านการตรวจสอบตามสคีมาจึงต้องถูกบังคับใช้ในโมเดลแบ็กเอนด์

• ไม่มีการเข้าถึง GPT-Live-1 ในระดับฟรี และขีดจำกัดอัตราจะนับเป็นเซสชันพร้อมกัน — 25 ใน Tier 1 เพิ่มขึ้นเป็น 500 ภายใน Tier 5

• ไม่มี Zero Data Retention และไม่มี data residency นอกสหรัฐอเมริกาใน Agents API beta

• ไม่มีการทำซ้ำตัวเลขผลการทดสอบมาตรฐาน (benchmark) ของ GPT-Live-1 ด้วยตนเอง

เดิมพันที่ OpenAI วางไว้เมื่อวันที่ 10 กันยายน คือนักพัฒนาต้องการซื้อฮาร์เนสและเลือกสมองแยกจากกัน ครึ่งแรกของเรื่องนั้นตอนนี้กลายเป็นรายการในงบแล้ว ครึ่งหลังคือจุดที่แรงกดดันด้านการแข่งขันในสิบสองเดือนข้างหน้าจะไปลง — เพราะฮาร์เนสแบบโฮสต์ที่มีช่องสลับโมเดลได้ จะดีได้เพียงเท่ากับโมเดลที่คุณใส่ลงไปได้ และตอนนี้ นั่นคือส่วนเดียวของสแตกที่ OpenAI ไม่ได้ควบคุมอยู่ฝ่ายเดียว

ส่วนของ delegation นั้นเป็นอีกเรื่องหนึ่ง — แบ็กเอนด์ที่เลเยอร์เสียงส่งงานต่อไปให้คือการเรียกโมเดลตามปกติ และ GPT-5.6 Terraก็พร้อมใช้งานผ่าน OrcaRouter ในราคาตามที่ Ope​nAI ประกาศไว้ โดยเปิดให้เข้าถึง Responses endpoint