{{1}}GPT-Live-1 มาถึง API แล้ว: เสียงแบบ Full-Duplex ในราคา $0.05 ต่อนาที โดยไม่มีเส้นทาง Drop-In จาก GPT-Realtime-2.1{{/1}}

GPT-Live-1 อยู่ใน API แล้วเมื่อวันที่ 10 กันยายน และตัวเลขที่จะปรับเปลี่ยนงบประมาณจริง ๆ ไม่ใช่เกณฑ์มาตรฐาน — แต่เป็นหน่วยการเรียกเก็บเงิน โมเดลเสียงแบบฟูลดูเพล็กซ์ของ OpenAIOpe​nAI ตอนนี้คิดค่าบริการแบบเหมาจ่าย $0.05 ต่อนาทีของเสียง โดยคิดตามวินาที ขณะที่โมเดลที่ถูกนำมาเปรียบเทียบด้วยอย่าง GPT-Realtime-2.1 นั้นคิดค่าบริการเป็นโทเคนเสียงในอัตรา $32 ต่อล้านโทเคนขาเข้า และ $64 ต่อล้านโทเคนขาออก ตัวโมเดลเองไม่ใช่ของใหม่: GPT-Live-1 เปิดตัวภายใน ChatGPT เมื่อวันที่ 8 กรกฎาคม 2026 แทนที่ Advanced Voice Mode สิ่งที่ใหม่คือตอนนี้นักพัฒนาสามารถเรียกใช้งานมันได้แล้วในที่สุด — และการเรียกใช้งานมันแทบไม่เหมือนกับการผสานรวม Realtime ที่ทีมส่วนใหญ่มีอยู่แล้ว เอกสารของ OpenAIOpe​nAI เองจับคู่เลเยอร์เสียงกับแบ็กเอนด์การให้เหตุผลแยกต่างหาก และในตัวอย่าง WebRTC ที่เผยแพร่ แบ็กเอนด์นั้นคือ GPT-5.6 Terra

อะไรที่เปิดตัวเมื่อวันที่ 10 กันยายน และอะไรที่ไม่ได้เปิดตัว

พื้นที่ผิวของ API นั้นแคบโดยการออกแบบ มีโมเดล ID เพียงหนึ่งเดียวคือ gpt-live-1 ซึ่งเป็นสแนปช็อตเริ่มต้นของตัวเองด้วย — ไม่มีตัวแปรที่ระบุวันที่ให้ปักหมุด มี endpoint เพียงหนึ่งเดียว คือ endpoint Live Sessions ที่ v1/live/sessions ส่วนอื่น ๆ ทั้งหมดบนแพลตฟอร์มของ OpenAIOpe​nAI ถูกปิดสำหรับโมเดลนี้: ไม่มี Chat Completions, ไม่มี Responses, ไม่มี Realtime (รวมถึงตัวแปรด้านการแปลและการถอดความ), ไม่มี Assistants, ไม่มี Batch, ไม่มี fine-tuning, ไม่มี embeddings, ไม่มีการสร้างภาพหรือวิดีโอ, ไม่มี endpoint สำหรับเสียงพูดหรือการถอดความ, ไม่มี moderation

อินพุตและเอาต์พุตเป็นเสียงและข้อความ รองรับการสตรีมและการเรียกใช้ฟังก์ชัน ส่วนเอาต์พุตแบบมีโครงสร้าง การปรับละเอียด (fine-tuning) และเอาต์พุตที่คาดการณ์ไว้นั้นไม่รองรับ อินพุตภาพและวิดีโอไม่รองรับอย่างชัดเจน — ดังนั้นสิ่งที่ OpenAIOpe​nAI ได้เปิดเผยเป็นนัยเกี่ยวกับ "เสียงพร้อมวิดีโอ" จึงไม่ใช่ส่วนหนึ่งของการเปิดตัวนี้ ระดับฟรีไม่สามารถเรียกใช้ได้เลย และขีดจำกัดอัตราจะวัดเป็นเซสชันที่ทำงานพร้อมกันแทนที่จะเป็นคำขอต่อนาที: 25 ใน Tier 1 เพิ่มขึ้นเป็น 50, 200, 300 และ 500 ใน Tier 2 ถึง Tier 5

การวางกรอบเรื่องการทำงานพร้อมกันนั้นเป็นเบาะแสแรกว่านี่ไม่ใช่ตัวแทนแบบ plug-in ขีดจำกัดอัตราที่กำหนดหน่วยเป็นบทสนทนาสดที่เกิดขึ้นพร้อมกัน บอกคุณว่า OpenAIOpe​nAI คาดหวังให้หน่วยของสเกลเป็นอะไร: สายโทรศัพท์หนึ่งสาย ไม่ใช่คำขอ

การเปลี่ยนแปลงราคาเป็นเรื่องที่เงียบกว่าแต่ใหญ่กว่า

การคิดค่าบริการแบบเหมาจ่ายต่อนาทีถือเป็นการเปลี่ยนแปลงอย่างแท้จริง ภายใต้ระบบคิดค่าบริการตามโทเคน คุณต้องจำลองการเผาผลาญโทเคนจากเสียง — หนึ่งวินาทีของความเงียบใช้โทเคนเท่าไร การที่ผู้โทรพูดทับเอเจนต์อย่างต่อเนื่องส่งผลต่อความยาวเอาต์พุตอย่างไร — ก่อนที่คุณจะพยากรณ์การโทรเพียงครั้งเดียวได้ เมื่อราคาอยู่ที่ $0.05 ต่อนาที การคำนวณก็ย่อลงเหลือเพียงการคูณ:

• การโทรสนับสนุน 5 นาที — เวลาเสียงมูลค่า $0.25

• สาย 10 นาที — $0.50

• เฉลี่ย 4 นาทีจากการโทร 1,000 สายต่อวัน — 200 ดอลลาร์ต่อวัน หรือประมาณ 6,000 ดอลลาร์ต่อเดือน

• เปิดสายต่อเนื่อง 1 ชั่วโมง — $3.00

มีสามรายละเอียดที่ทำให้เรื่องนี้ชัดเจนขึ้น ประการแรก ระยะเวลาไม่ถูกปัดขึ้นเป็นนาทีเต็มถัดไป ดังนั้นการโทร 40 วินาทีจึงมีค่าใช้จ่ายประมาณ 3.3 เซนต์ แทนที่จะเป็น 5 เซนต์เต็ม ประการที่สอง การเริ่มต้นเซสชันจะเรียกเก็บค่าเสียง 15 วินาทีล่วงหน้า — แต่จำนวนนั้นจะถูกหักลบกับค่าใช้จ่ายด้านระยะเวลาภายหลัง ไม่ใช่บวกเพิ่มซ้อนบนยอด ดังนั้นการโทรที่สั้นกว่า 15 วินาทีก็ยังคงคิดราคาที่ 15 วินาที ประการที่สาม ค่าเสียงเป็นเพียงครึ่งหนึ่งของค่าใช้จ่ายทั้งหมด โมเดลการให้เหตุผลเบื้องหลัง การเรียกใช้เครื่องมือของโมเดลนั้น และการค้นหาเว็บใด ๆ จะถูกเรียกเก็บแยกต่างหากในอัตราปกติของโมเดลนั้น ซึ่งหมายความว่า "โมเดลเสียงราคาถูก" ยังสามารถทำให้การโทรมีค่าใช้จ่ายสูงได้ หากคุณส่งต่องานไปยังตัวให้เหตุผลระดับแนวหน้าและปล่อยให้มันค้นหาในทุกเทิร์น

โครงสร้างสูงสองเมตรนั้นคือจุดที่การจัดเส้นทาง (routing) หยุดเป็นเพียงของแถม บน OrcaRouter ครึ่งหลังที่เป็นแบ็กเอนด์ของเซสชัน GPT-Live-1 ก็เป็นเพียงการเรียกโมเดลอีกครั้งหนึ่ง — ประมาณ 190 โมเดลจากผู้ให้บริการต้นทาง 11 ราย ภายใต้คีย์เดียว ในราคาตามที่ผู้ให้บริการตั้งไว้ ส่งผ่านโดยไม่บวกเพิ่มแม้แต่บาทเดียว พร้อม failover อัตโนมัติหากแบ็กเอนด์ที่คุณเลือกเกิดข้อผิดพลาดหรือหมดเวลา คุณจัดเส้นทางตัวชั้นเสียงเองไม่ได้ จุดปลายทาง Live Sessions เป็นของ OpenAI​OpenAI เท่านั้น แต่คุณจัดเส้นทางทุกสิ่งที่ชั้นเสียงมอบหมายต่อไปได้แน่นอน ซึ่งเป็นครึ่งหนึ่งที่ขยายตามความหนักเบาของการคิดของผู้ที่โทรเข้ามา

WebRTC เท่านั้น — ทำไมโค้ด Realtime ของคุณจึงพอร์ตไม่ได้

นี่คือต้นทุนในทางปฏิบัติของการย้าย และการรายงานข่าวการเปิดตัวส่วนใหญ่ก็ข้ามเรื่องนี้ไป เซสชันของ GPT-Live-1 ทำงานผ่าน WebRTC ไม่ใช่ WebSocket transport ที่การผสานรวม Realtime ที่มีอยู่จำนวนมากสร้างขึ้นมา การลองใช้เส้นทางเก่าด้วยโมเดล ID ของ GPT-Live จะคืนค่าข้อผิดพลาดที่บอกคุณตรง ๆ ว่าเซสชันต้องใช้ WebRTC

การจับมือ (handshake) ตามคู่มือ WebRTC ของ OpenAIOpe​nAI: เบราว์เซอร์ของคุณเปิด RTCPeerConnection แนบแทร็กไมโครโฟน เปิด data channel และลงทะเบียน listener ก่อนที่จะเสนอ offer ตั้งค่า local description รอการรวบรวม ICE แล้วโพสต์ offer ไปยังเซิร์ฟเวอร์ของคุณเอง จากนั้นเซิร์ฟเวอร์ของคุณจะเรียก POST /v1/live/sessions พร้อมกับ session config และ transport: { type: "webrtc", sdp: ... } เมื่อสำเร็จจะคืนค่า HTTP 201 พร้อมกับ session.id และ transport.sdp ซึ่งเบราว์เซอร์จะนำไปใช้เป็น remote description สื่อจะเดินทางบนแทร็กที่เจรจาไว้ ส่วน data channel — ที่มีเลเบล oai-events — จะส่งผ่านข้อความถอดเสียง การอัปเดต session และงานที่มอบหมาย ในการวางสายคุณจะส่ง session.close และอ่านต่อไปจนกว่า session.closed จะมาถึง

สองข้อควรระวังที่ควรแปะไว้ที่จอ การเรียก HTTP เองเป็นตัวเริ่มเซสชัน ดังนั้นคุณจึงต้องไม่ส่ง session.start บน data channel ด้วย และคุณไม่ควรเพิ่มเสียงอินพุตต่อท้ายหรือรอเดลต้าเสียงเอาต์พุตผ่านช่องทางนั้น — ปล่อย audio.format ออกจากคอนฟิกและให้ SDP จัดการแทน ตัวอย่างฝั่งเซิร์ฟเวอร์จำกัดขนาดเนื้อความคำขอไว้ที่ 64 KB หมดเวลา ICE gathering หลัง 10 วินาที และการสรุปเซสชันหลัง 15 วินาที

ไม่มีส่วนไหนยากเลย แต่ทั้งหมดคือโค้ดใหม่ หากผลิตภัณฑ์ของคุณเป็นเอเจนต์เรียลไทม์แบบเทิร์นเบส การย้ายไปยัง GPT-Live-1 คือการเขียน transport ใหม่ทั้งชุด บวกกับการเขียนระบบ delegation ใหม่ ไม่ใช่แค่สลับ model ID — ควรกันงบไว้เป็นงานระดับ sprint ไม่ใช่แค่ช่วงบ่ายเดียว

เบนช์มาร์ก และใครเป็นคนรันทุกอัน

ตัวเลขทุกตัวด้านล่างนี้เป็นข้อมูลของ OpenAIOpe​nAI เอง ซึ่งเผยแพร่พร้อมกับการเปิดตัว API และไม่มีการทำซ้ำโดยอิสระโดยใครก็ตาม ณ เวลาที่เขียน ข้อควรระวังนี้สำคัญกว่าปกติในกรณีนี้ เพราะส่วนต่างมีมากพอที่จะชวนให้ถูกอ้างเป็นข้อเท็จจริงที่ยุติแล้ว

• การโต้ตอบแบบฟูลดูเพล็กซ์ — GPT-Live-1 80.1% เทียบกับ 45.4% สำหรับ GPT-Realtime-2.1

• ความหน่วงในการผลัดกันพูด — 0.8 วินาที เทียบกับ 1.4 วินาที

• ความแม่นยำในการเรียกใช้เครื่องมือ — 87% เทียบกับ 60%

• การวัดประสิทธิภาพการสนับสนุนทางเสียงด้านธนาคาร อัตราการผ่าน — 32% เทียบกับ 12.4%

อ่านบรรทัดสุดท้ายสองครั้ง อัตราการผ่าน 32% ถือเป็นการปรับปรุงครั้งใหญ่เมื่อเทียบกับ 12.4% และยังหมายความว่าระบบล้มเหลวในราวสองในสามของงานทั้งหมดในการประเมินนั้น การพุ่งขึ้นของความสามารถด้านการโต้ตอบและการเรียกใช้เครื่องมือคือสิ่งที่บ่งบอกถึงผลิตภัณฑ์ที่แตกต่างอย่างแท้จริง ส่วนตัวเลขด้านการธนาคารเป็นตัวเลขที่ซื่อตรงเกี่ยวกับว่าตัวแทนเสียงยังห่างไกลแค่ไหนจากการจัดการเวิร์กโฟลว์ที่มีการกำกับดูแลโดยไม่มีคนคอยควบคุม

หลักฐานฝั่งลูกค้านั้นน้อยกว่าที่ปรากฏในตาราง benchmark และชี้ไปในทิศทางเดียวกัน Yelp กำลังใช้ GPT-Live-1 สำหรับการจองผ่านทางโทรศัพท์ โดยมี CTO อย่าง Alex Levy ที่ถูกอ้างถึงในเรื่องการจัดการสายที่ улучшขึ้น แพลตฟอร์มเรียนภาษา Speak รายงานว่ามีการขัดจังหวะลดลงเกือบ 80% เมื่อเทียบกับระบบแบบ turn-based เดิมของบริษัท — เป็นตัวเลขที่บริษัทรายงานเอง และบริษัทนั้นก็มีส่วนได้ส่วนเสียกับผลลัพธ์นี้ แต่ก็ยังนับเป็นตัวเลขการนำไปใช้งานจริงที่ konkret ที่สุดเท่าที่มีอยู่

เลเยอร์เสียงเป็นส่วนหน้า คุณเลือกสมองเอง

การเดิมพันทางสถาปัตยกรรมคือการมอบหมายงาน และเป็นส่วนหนึ่งของการเปิดตัวนี้ที่ชั้นการกำหนดเส้นทางเข้ามาเสียบได้อย่างเป็นธรรมชาติ GPT-Live-1 ไม่ได้ทำการคิดเชิงลึก เมื่อผู้เรียกถามสิ่งที่ต้องใช้การให้เหตุผล การค้นคืน หรือเครื่องมือ โมเดลจะส่งงานข้ามขอบเขตแบบอะซิงโครนัสไปยังแบ็กเอนด์แยกต่างหากที่ทำงานต่อไปในขณะที่บทสนทนาด้วยเสียงดำเนินไป จากนั้นจึงนำคำตอบกลับเข้ามาเมื่อพร้อม

การตั้งค่ามีความชัดเจน และคุ้มค่าที่จะอ่านตัวอย่างในเอกสารอย่างละเอียดmodel: "gpt-live-1" และคำสั่งต่าง ๆ เซสชันยังมีออบเจ็กต์ delegation ที่มีชนิดเป็น responses ซึ่งบล็อก responses ที่อยู่ภายในระบุชื่อโมเดลแบ็กเอนด์ คำสั่งของตัวมันเอง เครื่องมือของมัน — ตัวอย่างใช้ web_search — และ tool_choice ในตัวอย่าง WebRTC ที่ OpenAI เผยแพร่ของ OpenAIOpe​nAI โมเดลแบ็กเอนด์นั้นคือ GPT-5.6 Terra

นั่นคือข้ออ้างที่แท้จริงของการออกแบบนี้: เปลี่ยนแบ็กเอนด์ แล้วประสบการณ์ด้านเสียงก็ฉลาดขึ้นโดยไม่ต้องฝึกโมเดลเสียงใหม่ มันยังหมายความว่าแบ็กเอนด์สำหรับการมอบหมายงานนั้นพอร์ตได้ ในแบบที่ชั้นเสียงทำไม่ได้ OrcaRouter ไม่มี gpt-live-1 — เอ็นด์พอยต์ Live Sessions มีเฉพาะ OpenAI และเราไม่เราเตอร์ส่วนใดของมันเลย แต่ครึ่งที่เป็นการมอบหมายงานนั้นพูด Responses API และครึ่งนั้นเป็นของคุณทั้งหมดที่จะเลือก GPT-5.6 Terra เปิดให้ใช้งานบน OrcaRouter ในราคาตามที่ OpenAIOpe​nAI ตั้งไว้ — 2.00 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 12.00 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต พร้อมเอ็นด์พอยต์ Responses ที่เปิดให้เข้าถึง — ดังนั้นโมเดลเดียวกับที่อยู่ในตัวอย่างของ OpenAIOpe​nAI เองก็อยู่ห่างแค่การเรียกครั้งเดียว โดยไม่ต้องมีสัญญาหรือ SDK ที่สอง

ในทางปฏิบัติ นั่นทำให้การเลือกแบ็กเอนด์กลายเป็นแค่การตั้งค่า คุณสามารถ A/B โมเดลให้เหตุผลราคาถูกกับโมเดลระดับแนวหน้าบนทราฟฟิกสายจริงได้โดยแก้แค่บรรทัดเดียวและดูค่าใช้จ่ายต่อสาย หรือจะวางโมเดลที่ใช้มอบหมายงานไว้หลังระบบ failover อัตโนมัติ เพื่อให้ช่วงที่ต้นทางมีปัญหาตอนบ่ายไม่ทำให้สายโทรศัพท์ของคุณล่มไปด้วย เลเยอร์เสียงที่คุณจ่ายนาทีละ $0.05 ยังอยู่ที่เดิม ทุกอย่างที่มันมอบหมายจะวิ่งผ่านคีย์เดียวข้ามโมเดลราว 190 โมเดลจากผู้ให้บริการต้นทาง 11 ราย ในราคาตามที่ผู้ให้บริการระบุโดยไม่มีมาร์กอัป

ยังขาดอะไรอีก

• ไม่มีอินพุตรูปภาพหรือวิดีโอ — ทั้งภาพนิ่งและการแชร์หน้าจอไม่มีอยู่ในเวอร์ชันนี้ ดังนั้นความสามารถเชิงเสียงแบบมัลติโมดัลที่โหมด ChatGPT รุ่นเก่ายังคงมีอยู่จึงยังไม่ได้รับการจัดการ

• ไม่รองรับเอาต์พุตแบบมีโครงสร้าง — หากเอเจนต์ของคุณต้องการอาร์กิวเมนต์ของเครื่องมือที่ผ่านการตรวจสอบสคีมา การตรวจสอบนั้นต้องอยู่ในโมเดลแบ็กเอนด์ของคุณ ไม่ใช่ในเลเยอร์เสียง

• ไม่มีการเข้าถึงระดับฟรีและไม่มีการปรับละเอียด — ทั้งค่าใช้จ่ายและการปรับแต่งล้วนเริ่มต้นที่ระดับแบบเสียค่าใช้จ่าย

• ไม่มีการประเมินอย่างเป็นอิสระต่อตัวเลขสำคัญใด ๆ — ตัวเลขทั้งหมดข้างต้นดำเนินการโดยผู้ขาย

เพดาน 25 เซสชันพร้อมกันบน Tier 1 — เหลือเฟือสำหรับการนำร่อง แต่ตึงมือสำหรับศูนย์บริการลูกค้าในวันแรก

ใครควรย้าย และใครควรรอ

ย้ายเลยตอนนี้ถ้าคุณกำลังสร้างระบบโทรศัพท์ — สายรับจอง, การจองนัดหมาย, ซัพพอร์ตด่านแรก — และสแต็กที่คุณใช้อยู่คือสายพานแบบ ASR-to-LLM-to-TTS แบบคลาสสิก ความหน่วงและการจัดการการขัดจังหวะคือสิ่งที่ไปป์ไลน์นั้นสูญเสียไปพอดี ราคาต่อนาทีคาดการณ์ได้แม่นพอที่จะใส่ลงในสเปรดชีต และเอกสารของ OpenAIOpe�nAI เองตอนนี้ก็มีตัวอย่างเซิร์ฟเวอร์หน้าตาแบบ Twilio ให้คัดลอกมาใช้ได้แล้ว ย้ายเลยเช่นกันถ้าคุณใช้โมเดล Realtime อยู่แล้วและผลิตภัณฑ์ของคุณเป็นการสนทนาจริง ๆ ไม่ใช่แบบผลัดกันพูด เพราะการจัดการการขัดจังหวะคือส่วนที่ GPT-Realtime-2.1 ทำได้แย่ที่สุด

รอก่อนถ้าการอินทิเกรตของคุณเป็นแบบเทิร์นและทำงานได้อยู่ การเขียน transport ใหม่เป็นงานจริงจัง เอนด์พอยต์ไม่รองรับอย่างอื่นเลย และไม่มีเส้นทางการย้ายระบบใดที่รักษาโค้ด WebSocket ที่คุณมีอยู่ไว้ได้ รอเช่นกันถ้ากรณีการใช้งานของคุณต้องพึ่งพาเอาต์พุตเครื่องมือแบบมีโครงสร้างหรืออินพุตวิดีโอ ซึ่งทั้งสองอย่างไม่มีอยู่ที่นี่

สิ่งที่ต้องจับตาดูในอีกไม่กี่สัปดาห์ข้างหน้า: การทำซ้ำโดยอิสระครั้งแรกของตัวเลขความสามารถในการโต้ตอบ 80.1% ว่าเรต $0.05 เป็นราคาเปิดตัวหรือไม่ ว่า GPT-Live-1 mini ที่เล็กลงจะเข้าถึง API เหมือนที่เคยเป็นฝั่งผู้บริโภคหรือไม่ และว่าอินพุตรูปภาพและหน้าจอจะปิดช่องว่างได้หรือไม่ จนกว่าห้องแล็บภายนอกจะรันการประเมินนั้น สรุปที่ตรงไปตรงมาก็คือ นี่คือโมเดลเสียงที่ความสามารถสูงที่สุดเท่าที่ใครๆ ได้ส่งมอบให้นักพัฒนา โดยมีหลักฐานสำหรับข้อกล่าวอ้างนั้นเขียนโดยคนที่ขายมันเอง