Perplexity วาง GPT-Live-1 ไว้เบื้องหลังโหมดเสียง: การสลับบน Mac และเว็บเปลี่ยนอะไรจริง ๆ

โหมดเสียงของ Perplexity บนแอป Mac และบนเว็บตอนนี้ทำงานบนGPT-Live-1 ซึ่งเป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ของ OpenAI และความสามารถที่มาพร้อมกับการสลับครั้งนี้คือส่วนที่ควรอ่านซ้ำอีกครั้ง: เซสชันเสียงเดียวสามารถขับเคลื่อนเซสชัน Perplexity Computer หลายเซสชันพร้อมกัน เริ่มงานใหม่ได้กลางประโยค และสร้างหรือจัดการ Projects ได้โดยไม่ต้องแตะคีย์บอร์ด ประกาศดังกล่าวเผยแพร่จากบัญชี @AskPerplexity ของ Perplexity เมื่อวันที่ 28 ตุลาคม 2026 และมีผลกับสมาชิกแบบชำระเงินระดับ Pro และ Max บนทั้งสองช่องทาง

นี่คือเหตุการณ์ด้านการกระจาย ไม่ใช่การเปิดตัวโมเดล GPT-Live-1 พร้อมใช้งานทั่วไปมาตั้งแต่ OpenAI เปิดให้ใช้ผ่าน API เมื่อวันที่ 10 กันยายน 2026 ในราคา 0.05 ดอลลาร์ต่อนาทีเสียง และอยู่ใน ChatGPT Voice มาตั้งแต่วันที่ 8 กรกฎาคม สิ่งที่เปลี่ยนไปในสัปดาห์นี้คือใครเป็นผู้เช่าใช้งานมัน และพวกเขากำลังนำมันไปใช้กับอะไร

ทำไมการสลับโมเดลเสียงจึงคุ้มค่าพอจะเป็นพาดหัวข่าว

อินเทอร์เฟซเสียงเคยถูกประกอบขึ้นภายในแต่ละบริษัท คุณซื้อบริการถอดเสียง เรียกใช้โมเดลภาษาของคุณเอง แล้วซื้อบริการสังเคราะห์เสียง จากนั้นใช้เวลาส่วนที่ยากที่สุดของการสร้างไปกับการตรวจจับจังหวะผลัดกันพูด ซึ่งก็คือกฎที่ตัดสินว่าผู้ใช้พูดจบแล้วหรือยัง กฎนี้คือจุดที่ผลิตภัณฑ์เสียงส่วนใหญ่ไปไม่รอด: ถ้าเร็วเกินไป เอเจนต์ก็จะพูดทับผู้คน แต่ถ้าช้าเกินไป ทุกการโทรก็รู้สึกเหมือนสายโทรระหว่างประเทศที่คุณภาพแย่

GPT-Live-1 ขจัดรอยต่อนั้นออกไป มันเป็นโมเดลเดียวที่ฟังไปพร้อมกับสร้างคำตอบ ตัดสินใจหลายครั้งต่อวินาทีว่าจะพูดหรือรอ และส่งงานให้เหตุผลที่หนักหน่วงไปให้โมเดลข้อความจัดการอยู่เบื้องหลังโดยไม่หยุดเสียง Perplexity ไม่จำเป็นต้องสร้างนโยบายการพูดแทรกขึ้นเองเพื่อให้การควบคุมหลายเซสชันทำงานได้ เพราะมันสืบทอดนโยบายนั้นมาแล้ว

ผลที่ตามมาในทางปฏิบัติสำหรับผู้อ่านที่กำลังสร้างผลิตภัณฑ์เสียงของตนเองนั้นชัดเจนแบบไม่ต้องอ้อม: ชั้นจัดการการผลัดกันพูดที่คุณกำลังจะเขียนขึ้นมาเอง ตอนนี้กลายเป็นสิ่งที่คุณต้องเช่าใช้แทน จะประหยัดกว่าหรือไม่นั้นขึ้นอยู่ทั้งหมดกับจำนวนนาทีที่เอเจนต์ของคุณใช้ฟังแทนที่จะพูด ซึ่งเป็นคำถามที่ควรลองคำนวณดูก่อนตัดสินใจ เพราะมิเตอร์เดินตลอดทั้งเซสชัน รวมถึงช่วงเงียบด้วย

ส่วนคอมพิวเตอร์คือการเปลี่ยนแปลงผลิตภัณฑ์ที่แท้จริง

การสลับโมเดลนั้นผู้ใช้มองไม่เห็น แต่การควบคุมคอมพิวเตอร์แบบหลายเซสชันนั้นมองเห็นได้ จนถึงอัปเดตนี้ Perplexity Computer เป็นเพียงลูปเอเจนต์เดียวที่คุณดูแลบนหน้าจอ ชั้นเสียงใหม่ช่วยให้คุณสนทนาในบทสนทนาเดียวขณะที่หลายเซสชันเบื้องหลังทำงานอยู่ เริ่มเซสชันใหม่ได้เพียงพูดบอก และจัดการ Projects ตามชื่อ นั่นใกล้เคียงกับตัวจัดสรรงานมากกว่าแชตบอต และเป็นอินเทอร์เฟซเสียงสำหรับผู้บริโภคตัวแรกที่เราเห็นซึ่งถือว่าเซสชันเอเจนต์แบบขนานเป็นค่าเริ่มต้นมากกว่าข้อยกเว้น

รายละเอียดสามอย่างกำลังทำหน้าที่ตรงนี้:

• หนึ่งเซสชัน ผู้ทำงานหลายราย — การสนทนาด้วยเสียงหนึ่งครั้งสามารถเชื่อมต่อกับเซสชัน Computer ได้มากกว่าหนึ่งเซสชันโดยไม่ต้องจบเซสชันปัจจุบัน

• การสร้างงานด้วยเสียง — งานใหม่สามารถเข้าคิวได้ระหว่างการสนทนาแทนที่จะเป็นหลังการสนทนา

• การจัดการโครงการด้วยชื่อ — โครงการกลายเป็นออบเจ็กต์ที่คุณสร้างและเปลี่ยนชื่อได้ด้วยการพูด ซึ่งหมายความว่าเลเยอร์เสียงต้องระบุการอ้างอิงให้ได้ ไม่ใช่แค่ถอดเสียง

ในทางทฤษฎี ไม่มีส่วนใดเลยที่ต้องใช้โมเดลฟูลดูเพล็กซ์ ทั้งหมดนั้นง่ายกว่ามากเมื่อมีโมเดลแบบนี้ เพราะเอเจนต์สามารถตอบรับคำขอด้วยเสียง "mhmm" ในขณะที่งานจริงเริ่มต้นขึ้น แทนที่จะเงียบไปแปดวินาทีแล้วหวังว่าผู้ใช้จะรอ

Perplexity ตั้งชื่อเป็น v1 หลังจากนั้น OpenAI ได้เปิดตัว v1.1

รายละเอียดที่ชัดเจนในประกาศคือสตริงเวอร์ชัน {{1}}Perplexity กล่าวว่าโหมดเสียงของตนทำงานบน GPT-Live-1{{/1}} ใน ChatGPT Voice {{2}}OpenAI เริ่มทยอยเปิดตัว GPT-Live-1.1 เมื่อวันที่ 15 ตุลาคม 2026{{/2}} ซึ่งเป็นสองสัปดาห์ก่อนการเปลี่ยนครั้งนี้ Perplexity ยังไม่ระบุว่าได้ประเมิน 1.1 หรือไม่ ได้ปักหมุดไว้ที่ v1 โดยเจตนาเพื่อความเสถียรหรือไม่ หรือมีการกำหนดเวลาอัปเกรดไว้หรือไม่

ควรอ่านสิ่งนี้เป็นงานวิศวกรรมปกติมากกว่าจะเป็นเรื่องอื้อฉาว แพลตฟอร์มที่นำโมเดลเสียงไปผสานเข้ากับแอปสำหรับผู้บริโภคย่อมให้ความสำคัญกับสแนปช็อตที่หยุดนิ่งซึ่งมีเลเทนซีที่คาดเดาได้ มากกว่าการให้ความสำคัญกับเช็กพอยต์ล่าสุดอย่างมาก และ OpenAI ยังไม่ได้เผยแพร่คู่มือการย้ายที่ทำให้ 1.1 เป็นตัวเลือกที่เสียบแทนได้ทันที แต่มันหมายความว่าโมเดลในแอป Perplexity วันนี้ไม่ใช่โมเดลใน ChatGPT วันนี้ และการเปรียบเทียบประสบการณ์เสียงทั้งสองแบบใด ๆ ก็กำลังวัดเวตที่แตกต่างกัน

เศรษฐศาสตร์ที่ Perplexity ยังไม่ได้พูดถึง

เอกสารของ OpenAI เองระบุราคาหนึ่งสำหรับโมเดลนี้: $0.05 ต่อนาทีของการใช้งานเสียง โดยคิดค่าบริการเป็นรายวินาทีและไม่ปัดเศษขึ้น โดยมีค่าธรรมเนียมการเริ่มต้นเซสชัน 15 วินาทีซึ่งจะถูกนำไปหักเป็นเครดิตกับระยะเวลาการใช้งานภายหลัง การให้เหตุผล เครื่องมือ และการค้นหาเว็บทำงานบนโมเดลข้อความแยกต่างหากและคิดค่าบริการแยกกัน Perplexity ขายการสมัครสมาชิกแบบเหมาจ่าย

โมเดลการเรียกเก็บเงินทั้งสองแบบไม่ลงตัวกันโดยธรรมชาติ ผู้สมัครสมาชิก Max ที่ใช้เสียงสองชั่วโมงต่อสัปดาห์ — ซึ่งไม่ถือว่ามากผิดปกติสำหรับคนที่เพิ่งได้ควบคุมเซสชันเอเจนต์หลายเซสชันแบบไม่ต้องใช้มือ — จะใช้เสียงประมาณ 520 นาทีต่อเดือน ในราคาตามรายการ นั่นคือค่าเสียงประมาณ $26 เพียงอย่างเดียว ก่อนจะรวมการเรียกใช้การให้เหตุผลเบื้องหลังงาน Computer แต่ละงาน ผู้สมัครสมาชิกที่เปิดเซสชันค้างไว้ขณะคิด หรือปล่อยให้ทำงานเป็นการควบคุมแบบแวดล้อม จะมีต้นทุนสูงกว่า เพราะความเงียบถูกคิดในอัตราเดียวกับการพูด

ทุกแพลตฟอร์มที่นำโมเดลเสียงแบบคิดตามปริมาณการใช้งานมาขายต่อในรูปแบบแพ็กเกจราคาคงที่ต่างก็เดิมพันแบบนี้ และโดยทั่วไปการเดิมพันนี้มักถูกต้อง ณ ช่วงเปิดตัว: ผู้สมัครสมาชิกส่วนใหญ่ใช้งานน้อยกว่ากลุ่มปลายหางที่ใช้งานหนักมากอยู่ไกล ตัวเลขที่น่าสนใจที่ควรจับตาดูไม่ใช่ค่าเฉลี่ย แต่เป็นเปอร์เซ็นไทล์ที่ 95 และไม่มีบริษัทใดในสองแห่งนี้เปิดเผยตัวเลขนั้น

ในฝั่ง OpenAI ตัวเลขต่อชั่วโมงที่มีความสำคัญต่อการวางแผนกำลังความจุคือต้นทุนเสียงอินพุต ไม่ใช่เวลาพูด Artificial Analysis วัด GPT-Live-1 ที่ $5.83 ต่อชั่วโมงของเสียงอินพุตในการตั้งค่าการคิดวิเคราะห์สูง และ $4.47 ในการตั้งค่าต่ำ โดยใช้ชุดทดสอบมาตรฐาน 40 คำถามแบบคงที่ ซึ่งเป็นเครื่องเตือนใจที่มีประโยชน์ว่าตัวเลข $0.05 ที่เป็นพาดหัวนั้นครอบคลุมเฉพาะเสียงพูดเท่านั้น

โมเดลที่ Perplexity เพิ่งนำมาใช้ดีแค่ไหน?

บนดัชนี Speech-to-Speech ที่ Artificial Analysis ดำเนินการเองอย่างอิสระ GPT-Live-1 ได้คะแนน 83.2 ในการกำหนดค่า Astra-medium ซึ่งอยู่ในอันดับสองจาก 21 โมเดลที่ได้รับการให้คะแนน เป็นรองเพียง Grok Voice 3.0 ที่ 86.9 และได้ 80.1 ในการกำหนดค่า Sol-low ซึ่งอยู่อันดับห้า ใน Speech Agent Arena ของแล็บเดียวกัน — ซึ่งเป็นการวัดความชอบแบบไม่ระบุตัวตนจากบทสนทนาสไตล์การจองจริง — สองการกำหนดค่านี้อยู่ที่ 1037 และ 1041 Elo โดยมีอัตราความสำเร็จของงานที่ 87.4% และ 90.9%

สตริงการกำหนดค่าไม่ใช่ของประดับตกแต่ง GPT-Live-1 ไม่ได้คิดวิเคราะห์เองภายใน แต่ส่งต่อไปยังแบ็กเอนด์ที่ระบุชื่อ และการเลือกแบ็กเอนด์ใดส่งผลต่อทั้งคะแนนและค่าใช้จ่าย Perplexity ยังไม่เปิดเผยว่าใช้แบ็กเอนด์ใดจับคู่กับชั้นเสียง ดังนั้นคุณภาพที่แท้จริงจึงไม่อาจทราบได้จากภายนอก แม้ว่าตอนนี้โมเดลเสียงของมันจะเป็นความรู้สาธารณะแล้วก็ตาม

คำถามเรื่อง routing ที่ไม่มีใครถาม

นี่คือประเด็นเชิงโครงสร้างที่ประกาศนี้ทำให้มองเห็นได้ชัด ส่วนด้านเสียงของ Perplexity ตอนนี้เช่ามาจาก OpenAI และไม่สามารถทดแทนได้ — GPT-Live-1 เปิดให้เข้าถึงเพียง endpoint เดียวเท่านั้น คือv1/live/sessions และระบุไว้อย่างชัดเจนว่าไม่ใช่สิ่งที่นำมาเสียบแทน Realtime API ได้เลย ขานั้นถูกล็อกไว้แล้ว แต่ขาที่ว่าด้วยการให้เหตุผลซึ่งอยู่เบื้องหลังนั้นไม่ได้ถูกล็อกด้วย

ซึ่งเป็นจุดที่เราเตอร์พิสูจน์คุณค่า: โมเดลข้อความที่ทำหน้าที่คิดสำหรับงาน Computer แต่ละงานสามารถสลับได้ สลับไปใช้ตัวสำรองเมื่อเกิดความล้มเหลว หรือแยกตามประเภทงาน โดยไม่ต้องแตะชั้นเสียง บน OrcaRouter คีย์เดียวกันเข้าถึง GPT-6 Astra, GPT-5.6 Terra และ GPT-5.6 Sol — ซึ่งเป็นระดับที่ OpenAI เองใช้เป็นเป้าหมายการมอบหมาย — พร้อมด้วยโมเดล Claude, Gemini, Qwen และ GLM โดยราคาตามรายการของผู้ให้บริการถูกส่งผ่านด้วยมาร์กอัป 0% และสลับอัตโนมัติเมื่อแบ็กเอนด์ตัวใดตัวหนึ่งมีประสิทธิภาพลดลง เมื่อผู้ให้บริการลดราคา เส้นทางที่ผ่านเราเตอร์จะสะท้อนราคานั้นในวันเดียวกัน

เพื่อให้ชัดเจนเกี่ยวกับสิ่งที่เราไม่ได้ทำ: OrcaRouter ไม่ได้ให้บริการ GPT-Live-1 ส่วนการเชื่อมต่อด้านเสียงยังคงอยู่บน API ของ OpenAI สิ่งที่เรา route คือทุกอย่างที่อยู่ปลายน้ำจากมัน ซึ่งเป็นจุดที่ต้นทุนและความแปรปรวนด้านความน่าเชื่อถือของ voice agent อยู่จริง

สิ่งที่ควรดูต่อไป

สามสิ่งนี้จะเปลี่ยนเรื่องราวนี้ไป หาก Perplexity ย้ายไปใช้ GPT-Live-1.1 บันทึกเวอร์ชันด้านบนก็จะหมดความสำคัญไป และคุณภาพเสียงของแอปก็ควรก้าวขึ้นตามสิ่งที่เวอร์ชัน 1.1 เปลี่ยนไป หาก OpenAI เปิดเผยมาตรการควบคุมต้นทุนต่อเซสชัน — ทั้งเพดาน การหมดเวลาช่วงเงียบ และอัตรา idle ที่ถูกกว่า — การคำนวณแบบเหมาจ่ายก็จะง่ายขึ้นสำหรับผู้ขายต่อทุกราย และหากมีโมเดล full-duplex จากคู่แข่งที่เข้ามาอยู่ในดัชนีที่เทียบเคียงได้ การพึ่งพาผู้ขายรายเดียวในการผสานรวมนี้ก็จะกลายเป็นทางเลือกมากกว่าค่าเริ่มต้น

สำหรับนักพัฒนา ข้อสรุปที่นำไปปฏิบัติได้จริงนั้นมีขอบเขตแคบกว่า หากคุณกำลังสร้างอินเทอร์เฟซเสียงที่มีการขัดจังหวะบ่อย — การรับเรื่อง การจอง การจัดส่ง หรืออะไรก็ตามที่ผู้ใช้พูดมากกว่าเอเจนต์ — โมเดลฟูลดูเพล็กซ์ (full-duplex) ถือเป็นค่าเริ่มต้นที่สมเหตุสมผลในตอนนี้ และการคิดค่าบริการรายนาทีคือราคาที่ต้องจ่ายสำหรับสิ่งนั้น หากคุณกำลังสร้างงานบรรยาย การอ่านออกเสียง หรือสิ่งใดก็ตามที่ผลิตเสียงจากข้อความตามต้องการ โมเดลนี้ถูกกำหนดราคาและออกแบบมาสำหรับงานที่ผิด และการเปรียบเทียบ TTS นั้นเป็นบทความอีกเรื่องหนึ่งโดยสิ้นเชิง