Ugrás a tartalomra
Neural Daily

ModellekHír

GPT-Live-1.1 az API-ban: full-duplex hang, olcsóbb standby

🇬🇧 Read this article in English →

Az OpenAI elérhetővé tette az API-ban a GPT-Live-1.1-et, a ChatGPT hangmódját október óta hajtó full-duplex hangmodellt. Újdonság a standby mód: csendben percenként 0,02 dollárba kerül a session az aktív 0,05 dollár helyett.

· 2 perc olvasás

Az OpenAI Developers GPT-Live-1.1 modelloldala: full-duplex hangmodell, aktív ár 0,05 dollár, standby 0,02 dollár percenként
Kép: OpenAI · Képernyőkép · Forrás

Mi jelent meg?

Az OpenAI a fejlesztői fórumán jelentette be, hogy a GPT-Live-1.1 elérhető az API-ban (OpenAI Community). Ez az a modell, amely október 15. óta a ChatGPT Plus és Pro hangmódját adja. Full-duplex, vagyis beszéd közben is figyel, a bonyolultabb feladatokat pedig átadja egy általad választott backend modellnek, a beszélgetés megszakítása nélkül.

A GPT-Live-1-hez képest az OpenAI szerint pontosabban írja át a beszédet, több nyelven is egységesebb az akcentusa és a hangja, jobban érti a betűket és számokat, illetve megbízhatóbban követi az utasításokat és fejezi be a feladatokat (OpenAI Developers).

Árak és standby

  • Aktív session: 0,05 dollár percenként.
  • Standby: 0,02 dollár percenként. A backend modell és a toolok használata külön számlázódik.
  • A standby a GPT-Live-1 és 1.1 WebRTC sessionjeire érhető el: a session.wake_policy.type értéke speech, a session.idle_timeout_s 5 és 60 másodperc közötti egész szám.
  • A beállított csend után az inference szünetel, a kapcsolat és a session azonosító marad, beszédre pedig visszaáll a beszélgetés előzményekkel együtt (
  • [object Object]
  • ).
  • A szünet utáni első válasz rövid megszólalásra lassabb lehet.

Egy példa: ha egy 10 perces hívásból 4 perc csend, az standbyval 6 × 0,05 + 4 × 0,02 = 0,38 dollár a hangsessionre, standby nélkül 0,50 dollár. Ügyfélszolgálati vagy várakozós hívásoknál ez a különbség gyorsan összeadódik.

Amire figyelj

  • Csak a v1/live/sessions végponton fut (WebRTC vagy WebSocket). Chat Completions, Responses és a Realtime API nem támogatott.
  • A GPT-Live-1.1 és a GPT-Live-1 külön párhuzamos session limitet kap.
  • Az instrukciók legfeljebb 16 384 tokenesek lehetnek, a hang (alapból marin) csak új sessionnel cserélhető.

Miért érdekes?

A hangagenteknél eddig a folyamatos inference volt a fő költség, a standby ezt célozza. A full-duplex, delegálós felépítés azt is jelenti, hogy a hangmodellnek nem kell mindent tudnia: az érvelést és a toolhívást a backend végzi. A nyílt alternatívák közül a Sophon-Realtime egy GPU-n fut (Sophon-Realtime v1), a Microsoft MAI Realtime 1 pedig percenként 0,01 dollártól indul (Microsoft Ignite 2026). Ha most választasz hangplatformot, ezekkel érdemes összevetni.

    Írta Mikola Máté Patrik

    MI segítségével készült, szerkesztő ellenőrizte. Hogyan készülnek a cikkeink

    Szerkesztőségünk ellenőrizte és szerkesztette. Rólunk

    Kapcsolódó cikkek