GPT-Live-1 giờ đã có thể gọi ra ngoài: SIP GA thực sự mở khóa những gì, và những gì nó vẫn chưa làm được

Điều mới hữu ích nhất mà một tác nhân thoại OpenAI có thể làm là nhấn 1. Kể từ cuối ngày 4 tháng 11 năm 2026, một phiên GPT-Live-1 có thể thực hiện cuộc gọi ra tới một số điện thoại thật qua trung kế SIP, nghe menu trả lời và gửi âm hiệu bàn phím trở lại đường dây. Phần cuối cùng đó — DTMF hai chiều — chính là sự khác biệt giữa một tác nhân thoại biết nói và một tác nhân thoại có thể đi qua cây menu điện thoại để đến đúng bộ phận mà nó thực sự cần.

Bản thân mô hình không mới. GPT-Live-1 đã có mặt trong ChatGPT Voice từ ngày 8 tháng 7 năm 2026 và trong API từ ngày 10 tháng 9 năm 2026 với mức 0,05 USD một phút. Điều thay đổi vào ngày 4 tháng 11 là phương thức truyền tải. Justin Uberti của OpenAI thông báo rằng API điện thoại gọi ra đã “vừa được thăng cấp … lên GA”, “cho phép các nhà phát triển thực hiện cuộc gọi điện thoại từ tác nhân thoại Live của họ” thông qua “bất kỳ nhà cung cấp trunk SIP nào (ví dụ: Telnyx hoặc Twilio)”; Greg Brockman đã chia sẻ lại điều này ngay trong đêm đó. Thông báo cho biết thêm rằng các cuộc gọi có thể sử dụng HD Voice và có thể gửi và nhận các sự kiện phím bấm.

Vậy đây là câu chuyện về năng lực, không phải câu chuyện về mô hình, và tư liệu thú vị nằm trong tài liệu hướng dẫn chứ không phải trong bài đăng. Hướng dẫn Telephony và SIP của OpenAI giờ đây nêu rằng gọi ra ngoài là "khả dụng cho mọi tổ chức thông qua Live API, không phải endpoint tạo cuộc gọi của Realtime API" — hai câu âm thầm loại trừ một phần lớn các tích hợp mà mọi người sẽ cố gắng tái sử dụng.

"GA" đã thay đổi điều gì, và điều gì thì chưa

Trước khi được “promoted”, tính năng gọi ra ngoài đã tồn tại nhưng chưa được cung cấp rộng rãi — “promoted” nghĩa là như vậy. Cơ chế đã được xây dựng từ trước, và cánh cửa đã mở. Tài liệu của OpenAI hiện có câu tương ứng, rằng tính năng gọi ra ngoài qua SIP “có sẵn cho tất cả tổ chức thông qua Live API”, đây là thứ gần nhất với một tuyên bố GA trên trang: bản thân hướng dẫn không mang nhãn beta, preview hay alpha ở bất kỳ đâu.

Điều không thay đổi là mô hình giọng nói. Ví dụ về cuộc gọi ra trong tài liệu của chính OpenAI vẫn đặt model: "gpt-live-1", và danh sách kiểm tra dành cho đối tác vẫn bảo các đơn vị tích hợp tìm "một phiên bản gói hỗ trợ gpt-live-1". Không có mô hình riêng cho cuộc gọi ra, không có mức giá riêng và không có hạng viễn thông. Bạn vẫn đang trả cùng mức $0.05 một phút cho lớp giọng nói như bạn đã trả vào tháng Chín; đơn giản là giờ đây bạn được phép dùng số tiền đó cho các cuộc gọi rời khỏi máy chủ của bạn.

Một lưu ý vận hành nằm trong hướng dẫn chứ không phải trong thông báo: OpenAI yêu cầu bạn xác nhận rằng "tính năng hỗ trợ SIP của GPT-Live đã được bật cho dự án của bạn và SIP trunk của nhà cung cấp đã được định tuyến đến dự án đó trước khi sử dụng quy trình này." Nhãn GA và một thiết lập dự án đã được bật không phải là một thứ, và ticket hỗ trợ đầu tiên trong tuần sẽ là của ai đó có cái này mà không có cái kia.

Những điều kiện tiên quyết quyết định liệu trunk của bạn có hoạt động được hay không

OpenAI không áp dụng SIP theo nghĩa chung. Họ chỉ áp dụng một phần nhỏ, hiện đại của nó, và bất kỳ trunk nào không đáp ứng bất kỳ điều nào sau đây sẽ không thể kết nối, bất kể thông báo đã hứa gì về "bất kỳ nhà cung cấp SIP trunk nào".

• Báo hiệu — TLS là bắt buộc, không phải tùy chọn. SIP thuần qua UDP hoặc TCP không được chấp nhận.

• Media — SDES-SRTP là bắt buộc, và SRTP phải được bật tại nhà cung cấp, chứ không chỉ được nhà cung cấp hỗ trợ.

• URL nhà cung cấp — cần có một sips: điểm cuối, mặc định là cổng 5061, không có thông tin xác thực, không có đường dẫn và không có tham số URI nào đi kèm.

• Đích đến — một số E.164 như +14155550123 và không gì khác. SIP URI hoàn toàn không được hỗ trợ, vì vậy sơ đồ máy lẻ nội bộ không phải là một đường tắt.

• Xác thực — digest, với tên người dùng và mật khẩu SIP, cùng với một caller_number ở định dạng E.164, trở thành ID người gọi mà người nhận cuộc gọi của bạn thấy.

• Vệ sinh mạng — tên máy chủ cục bộ và địa chỉ IP riêng dạng literal bị từ chối, điều này loại trừ một giàn kiểm thử trỏ vào một máy trong phòng thí nghiệm.

• Định dạng âm thanh — hãy để audio.format ở trạng thái chưa đặt, vì SIP sẽ tự thương lượng nó. Đặt nó chính là kiểu tham số trông có vẻ hữu ích nhưng lại làm hỏng cuộc gọi.

Lưu ý điều này có nghĩa gì đối với tuyên bố "bất kỳ nhà cung cấp nào". Bất kỳ nhà cung cấp nào hỗ trợ báo hiệu TLS với phương tiện SDES-SRTP đều sẽ hoạt động; rất nhiều trunk SIP giá rẻ vẫn mặc định dùng UDP và RTP thường, và chúng không được câu đó bao hàm. Việc kết nối là tạo phiên chứ không phải webhook: bạn POST đến /v1/live/sessions với transport.type được đặt thành sip, và hướng dẫn nói rõ rằng "bạn không cần webhook cuộc gọi đến hay yêu cầu chấp nhận cho một cuộc gọi đi."

Thứ bạn nhận lại là session.id và một loại transport, và tài liệu đặc biệt thẳng thắn về khoảng cách giữa điều đó với thực tế: "Phản hồi này không có nghĩa là cuộc gọi đã được trả lời." Việc đổ chuông, trả lời và thất bại đến sau dưới dạng transport.ringing, transport.answered và transport.failed event trên một WebSocket sideband tại /v1/live/sessions/{session_id}/attach. Hãy attach ngay — chỉ ba giây sự kiện trước đó được replay — và loại trùng theo event_id, vì hướng dẫn cảnh báo rằng việc giao trùng là bình thường.

Phong bì: ba phút để rung chuông, hai giờ để nói chuyện

Hai con số cụ thể trong hướng dẫn sẽ quyết định những trường hợp sử dụng outbound nào là khả thi, và cả hai đều không xuất hiện trong thông báo.

• Giới hạn thời gian đổ chuông — ba phút. Cuộc gọi không được trả lời trước mốc đó sẽ kết thúc.

• Giới hạn kết nối — hai giờ, sau đó phiên sẽ kết thúc bất kể điều gì đang diễn ra.

• Bề mặt điều khiển — chuyển cuộc gọi qua /v1/live/sessions/{id}/refer, gác máy qua /v1/live/sessions/{id}/hangup, DTMF được gửi qua sideband bằng transport.dtmf.send.

• Các chế độ lỗi — cấu hình phiên không hợp lệ sẽ báo lỗi rõ ràng ngay khi tạo, thiết lập truyền tải có thể trả về 502, quá thời gian khởi tạo trả về 504, và mọi nội dung sau đó sẽ đến không đồng bộ dưới dạng transport.failed.

Thời gian đổ chuông ba phút thì ổn cho cuộc gọi ra hướng người tiêu dùng và khó xử với tổng đài doanh nghiệp có tạm giữ cuộc gọi. Mức trần hai giờ là hào phóng cho đến khi bạn đưa tác nhân vào một hàng đợi hỗ trợ, nơi thời gian giữ lâu cộng với một cuộc trò chuyện dài có thể chạm tới nó một cách hợp lý. Không giới hạn nào gây bất ngờ trong một sản phẩm thoại thời gian thực; cả hai đều là kiểu điều bạn muốn biết trước khi hứa với khách hàng một SLA chiến dịch.

Một cuộc gọi tốn bao nhiêu, thật lòng mà nói

Trang định giá của OpenAI liệt kê các phiên thoại GPT-Live-1 ở mức $0.05 mỗi phút, “tính phí theo giây, không làm tròn lên thành một phút trọn vẹn.” Đó là toàn bộ mức giá được công bố, và đây chỉ là một trong hai khoản phí mà một cuộc gọi ra phát sinh. Phí kết cuối của nhà mạng là khoản còn lại, phụ thuộc vào điểm đến, lưu lượng và nhà cung cấp trunk bạn đã chọn. OpenAI giữ phần xử lý âm thanh và logic phiên; nhà cung cấp sở hữu chặng PSTN.

• Một cuộc gọi được trả lời dài một phút — $0.050 từ OpenAI, cộng với mức phí theo phút của nhà mạng bạn.

• Cuộc gọi bốn phút — $0.200 từ OpenAI, cộng thêm phí nhà mạng.

• Một nghìn cuộc gọi dài bốn phút — 4.000 phút, tức 200 USD từ OpenAI, cộng thêm nhà mạng.

• Một giờ hội thoại được kết nối — 3,00 USD từ OpenAI, cộng thêm phí nhà mạng.

Có hai điều về cách tính cước đó cần lưu tâm. Thứ nhất, đơn vị tính cước là phút phiên, và không có gì trên trang giá phân biệt lời nói với im lặng, nên số giây tác nhân của bạn dành để nghe nhạc chờ được tính với cùng mức như số giây dành để nói. Thứ hai, hướng dẫn không nói liệu một cuộc gọi đổ chuông ba phút mà không ai nghe máy có phải là một phiên tính phí hay không; đó là câu hỏi nên hỏi bộ phận hỗ trợ trước khi bạn chạy dialer với khối lượng lớn, chứ không phải sau.

Mô hình backend và việc sử dụng công cụ được tính phí riêng, theo bất kỳ mô hình nào mà bạn đã ủy thác. Nếu bạn định tuyến chặng đó qua OrcaRouter, thì mức cộng thêm 0% và giá chuyển tiếp nguyên bản sẽ áp dụng ở đó thay vì cho phút thoại — vì vậy nếu nhà cung cấp giảm giá mô hình suy luận thì hóa đơn của bạn sẽ phản ánh ngay trong cùng ngày, còn nếu gpt-live-1 giảm giá thì không.

Tích hợp Realtime của bạn sẽ không được chuyển sang.

Sai lầm tốn kém nhất có thể mắc phải trong tuần này là cho rằng một ngăn xếp điện thoại Realtime API đang hoạt động cũng là một ngăn xếp GPT-Live đang hoạt động. Trang đối tác của OpenAI nói rõ: “Một tích hợp Realtime không tự động tương thích với GPT-Live.” Endpoint khác, mô hình phiên khác, ủy quyền là một khái niệm mà Realtime không có ở cùng dạng, và các định dạng âm thanh cùng ngữ nghĩa ngắt lời mà hướng dẫn yêu cầu bạn kiểm tra theo từng đối tác thì không được chuyển sang.

Danh sách đối tác cũng khiến cách diễn đạt của thông báo trở nên phức tạp. OpenAI ghi nhận LiveKit cho tác nhân thoại; Twilio Agent Connect cho "các cuộc gọi điện thoại đến và đi"; Telnyx cho "trải nghiệm gọi ra"; Bandwidth cho "các cuộc gọi đến" qua SIP; và Daily/Pipecat cho dịch vụ Live nói chung. Nói cách khác, Bandwidth được ghi nhận là một tích hợp gọi vào, còn LiveKit và Pipecat được ghi nhận mà không nêu hướng cuộc gọi nào cả. "Bất kỳ nhà cung cấp SIP trunk nào" là một tuyên bố về khả năng tương thích giao thức, không phải tuyên bố về việc đối tác nào trong năm đối tác của OpenAI đã triển khai hỗ trợ gọi ra.

Nếu bạn đang dùng Twilio, thì việc di chuyển là phương án hiện đã có lộ trình outbound được ghi trong tài liệu. Nếu bạn đang dùng Bandwidth cho inbound, thì outbound qua tích hợp đó chưa phải là điều mà tài liệu cam kết.

Câu hỏi về phiên bản mà không ai hỏi

Có một sự mơ hồ hiện hữu trong tên gọi. GPT-Live-1.1 đã được tích hợp vào ChatGPT Voice vào ngày 15 tháng 10 năm 2026 với các giọng nói mới trên sáu ngôn ngữ, và OpenAI vẫn chưa công bố một gpt-live-1.1 model id cho người gọi API. Mọi ví dụ gọi ra trong hướng dẫn điện thoại đều sử dụng gpt-live-1. Nếu một đồng nghiệp nói với bạn rằng tác nhân gọi ra đang chạy 1.1 vì đó là thứ ChatGPT sử dụng, thì họ đang mô tả sản phẩm dành cho người tiêu dùng, chứ không phải cấu hình phiên của bạn.

Thực tế: hãy trích dẫn gpt-live-1 trong kế hoạch của bạn, và coi bất kỳ khả năng cung cấp API 1.1 nào là một sự kiện riêng cần được xác minh vào đúng ngày của nó.

Nơi tư duy diễn ra, và lý do nó là đòn bẩy mà bạn kiểm soát

GPT-Live được chia đôi. Tóm tắt của chính tài liệu nói rằng nó “giao việc suy luận và sử dụng công cụ cho một backend trong khi nó quản lý cuộc hội thoại bằng lời nói.” Lớp giọng nói xử lý thời gian, ngắt lời và ngữ điệu; một mô hình riêng đảm nhận việc suy nghĩ và gọi các công cụ. Backend đó được cấu hình theo từng phiên dưới mục delegation, theo một trong hai chế độ.

• Ủy quyền Responses — delegation.type: "responses" với một backend bắt buộc model, cùng với instructions, tools, tool choice, giới hạn token và service tier. Hướng dẫn của OpenAI khuyến nghị bắt đầu với gpt-6-luna, hoặc gpt-6-sol cho những công việc khó hơn, và lưu ý rằng "bạn có thể chọn model Responses độc lập với voice model."

• Ủy quyền phía máy khách — delegation.type: "client", trong đó ứng dụng của bạn tự vận hành phần backend. Cách diễn đạt của OpenAI là điều này cho phép "mọi mô hình, tác nhân hoặc dịch vụ mà ứng dụng của bạn vận hành."

Đây là nơi chi phí và chất lượng của một outbound agent thực sự nằm, và đây là lựa chọn kiến trúc duy nhất trên trang thực sự thuộc về bạn. Mô hình giọng nói là cố định và, tình cờ thay, không nằm trong danh mục của OrcaRouter — GPT-Live-1 là một front end điện thoại bạn mua từ OpenAI, và không mức độ khéo léo định tuyến nào thay đổi được điều đó. Phần backend là chuyện khác. Theo mô hình ủy thác phía client, đó là một lệnh gọi mô hình thông thường mà mã của bạn thực hiện, nghĩa là một API cho hơn 200 mô hình, một khóa duy nhất xuyên suốt các nhà cung cấp bạn đánh giá, tự động chuyển đổi dự phòng nếu một nhà cung cấp suy giảm giữa chiến dịch, và lựa chọn mô hình theo từng loại cuộc gọi: một mô hình rẻ để đi qua menu IVR, một mô hình mạnh hơn khi có người nhấc máy.

Trong chế độ ủy quyền Responses, OpenAI chạy chặng đó và tính phí theo mức giá của riêng mình. Cả hai đều hợp lệ; chúng chỉ đặt quyết định ở những vị trí khác nhau. Nếu bạn muốn phần backend là một quyết định định tuyến, thì ủy quyền phía client là chế độ mang lại điều đó cho bạn.

Điều mà thông báo đã bỏ sót

Đối với một bài đăng GA, thông báo còn sơ sài về những điều quyết định việc triển khai. Nó không nói gì về tính khả dụng theo khu vực, độ trễ, giới hạn đồng thời hay SLA. Nó không nói gì về các nghĩa vụ ghi âm, tiết lộ hoặc đồng ý — và gọi ra ngoài là nơi duy nhất trong sản phẩm này mà ở đó những nghĩa vụ ấy không chỉ là lý thuyết. Tại Hoa Kỳ, thực hiện các cuộc gọi tự động đến người tiêu dùng mà không có sự đồng ý là vấn đề TCPA trước khi là vấn đề kỹ thuật; tại EU, ghi âm một cuộc gọi mà không thông báo cho người ở đầu dây bên kia là một vấn đề riêng. API cung cấp cho bạn một caller_number và một endpoint kết thúc cuộc gọi. Trách nhiệm tuân thủ thuộc về bạn.

"HD Voice" cũng nên được coi là một khẳng định hơn là một thông số kỹ thuật. Tài liệu của OpenAI chỉ nói rằng SIP thương lượng định dạng âm thanh và không liệt kê codec nào, vì vậy âm thanh băng rộng trong bài viết là tuyên bố của nhà cung cấp chưa được định lượng ở bất kỳ đâu công khai. Hãy kiểm tra nó với nhà mạng của bạn trước khi đưa vào bài thuyết trình.

Làm gì với cái này, tuần này

Nếu bạn đã chạy một tác nhân thoại GPT-Live trên WebRTC, đường ra chỉ là một transport thứ hai chứ không phải một lần viết lại: một phiên mới được tạo với transport.type: "sip", một trunk nói TLS và SDES-SRTP, và một WebSocket sideband để theo dõi đổ chuông, nhấc máy và DTMF. Hãy tính một ngày cho trunk, chứ không phải cho tác nhân.

Nếu bạn đang dùng Realtime, đừng lên lịch migration dựa trên giả định rằng đó là một thay đổi cấu hình. Hãy đọc các phần về ủy quyền và phiên trước, quyết định xem backend của bạn nên là của OpenAI hay của bạn, và chỉ khi đó mới chọn đối tác — vì đối tác bạn đã dùng cho inbound có thể không phải là đối tác có đường outbound được ghi trong tài liệu.

Nếu bạn vẫn đang cân nhắc xem liệu thoại ra có đáng để xây dựng hay không, con số quan trọng là $3,00 mỗi giờ kết nối trước phí nhà mạng, so với giới hạn cứng hai giờ và chuông ba phút. Mức đó đủ rẻ để thử nghiệm và đủ đắt để thời gian giữ máy là một quyết định thiết kế, không phải chuyện tình cờ. Bản GA đã gỡ bỏ cổng chặn. Nó không gỡ bỏ bài toán số học.