GPT-Live-1.1 API上线 语音智能体要点

OpenAI开放GPT-Live-1.1 API,即ChatGPT语音自10月15日起使用的模型。我实测后认为重点是多语言发音更稳、字母数字识别更准,以及静音期间可低价等待的Standby模式与成本设计。
OpenAI 通过 API 开放了语音模型 GPT-Live-1.1。这是自 10 月 15 日起支撑 ChatGPT 语音对话的同一个模型,现在可以直接装进自己的应用。我实测过,体验相当好。如果你在做语音智能体,这次更新值得看。本文讲清两件事:改了什么,以及这些改动如何落到实现与成本设计上。
先说结论。重点只有两个:多语言发音不再飘,以及新增了能在静音期间低价等待的 Standby。前者是质量问题,后者是单位成本问题,影响的是计划里完全不同的部分。
GPT-Live-1.1 API 带来了什么
这次开放的是与 ChatGPT Plus、Pro 语音对话相同的模型。换句话说,很多人每天在用的那个语音质量,现在可以直接出现在你自己的产品里,而不是去做一个近似品。
公布的改进包括:
- 多语言下一致且自然的口音
- 字母与数字的听取更准确
- 新增 Standby:静音持续 5 到 60 秒时模型暂停
- 等待期间每分钟 0.02 美元,常规为 0.05 美元
容易被忽略的一点是 Standby 的适用范围:它不是 GPT-Live-1.1 独有,GPT-Live-1 也能用。如果产品已经跑在 GPT-Live-1 上,可以先拿下成本这部分收益,再单独评估 1.1 的质量改进。这是两个决定,不是一个。
多语言发音更稳是我最有感的改进
实测中差别最明显的就是这一点,跨语言的发音不再忽好忽坏。
只做英文语音的团队可能觉得这条不重要。做非英文就完全不同。日文或中文的语音智能体,句子中间总要念英文:产品名、功能名、公司名、单位。模型对这些词的读法一旦漂移,听的人就会从内容转移到声音上。在演示里这只是别扭,在业务部署里这是信任问题——连自家产品名都念错的语音,听起来就像不懂这门生意。
一致性也决定了语音智能体听起来是否像“同一个人”。同一个词第二次出现时读法变了,单一说话人的错觉就破了。稳定比某一次漂亮的朗读更重要。
字母与数字才是语音智能体真正的失败点
第二条改进——字母与数字听取更准确——读起来枯燥,却可能是清单里最有业务价值的一条。
想想真实工作里字母和数字出现在哪:
- 复述预订号或订单号
- 确认型号与料号
- 交换电话号码与邮编
- 口述内部系统 ID
错一个字符,对话很顺利,业务却没成立。语音智能体的试点失败,往往就死在这里。评审意见很少写“模型对话能力不行”,写的是“它确认了错误的订单号”。瓶颈从来不是会不会聊天,而是字符级准确率。所以这次改进打在了对的位置。
实际做法只有一条:用自己的词表重新测一遍。料号格式、SKU 规则、预订号编码都带行业甚至公司特性。通用层面的改进是重测的理由,不是“最坏情况已解决”的结论。
Standby 改变语音智能体的成本结构
Standby 是会改变架构的那条。静音持续 5 到 60 秒后模型暂停,WebRTC 通话保持连接,以更低的价格等待;有人说话就恢复。
在此之前,沉默按全价计费。设计者只有两个都不好的选择:用户一安静就挂断,等他回来时从头说一遍;或者保持连接,为没人使用的时间付钱。多数团队选了激进的超时,忍下体验上的损失,因为是表格做的决定。
Standby 打破了这个二选一。会话留着,单价降下来。于是几种以前不现实的用法变得可行:
- 排队或保留期间不挂断,把线留着
- 用户去查资料、看屏幕、找货的时候等着
- 长时间陪伴型会话:人工作一小时,只在需要时说话
第三种以前根本算不过来。陪一小时工作、实际说话只有五分钟的智能体,撑不起一小时全价连接。等待变便宜,这类场景才重新回到桌面上。
判断是否受益有个简单方法:说话越断续,收益越大。静音占比高的场景获益最多;持续朗读或极短的问答获益最少,因为没有多少静音可以打折。不用猜——量一下现有通话记录里的静音占比,写代码之前就知道自己属于哪一类。
另外要看到 Standby 保住了什么,而不只是省下什么。通话不断,上下文和对话的社交线索都在。重连的代价不只是技术上的,用户还得重新说明自己是谁、要什么。
重活交给后端模型 对话不停
另一个与设计相关的点:重的处理可以交给自己选的后端模型,同时让对话的节奏不中断。
语音智能体里体验最糟的时刻,就是它去查东西时的那几秒沉默。人之间会说“稍等一下”。软件以前只能卡住,或者硬挤出一些话来填。
把这种分工当作前提,结构就清楚了:
- GPT-Live-1.1 负责听、接话、说
- 另一个模型或系统负责检索、内部数据查询、长推理
- 语音层负责把等待时间自然地填掉
这是架构决定,不是模型决定,还有个好处:以后换掉“思考层”,不用重做对话层。对内部数据处理位置有约束的企业来说,语音层与推理层分离的设计更容易通过评审。这类约束通常没得谈,所以尊重约束的架构有时比跑分领先更值钱。
日本市场怎么看 以及海外AI公司在日本沟通的启示
日本的语音场景偏向电话:呼叫中心、预订受理、转接、代为留言。所以这次这两项改进,和日本现场的痛点吻合度很高。日英混杂时的发音,以及字符级准确率,恰好是日本商务通话里最容易出错的两件事。
但日本买方提问的顺序,通常不是发布稿写作的顺序:
- 出错时会怎样
- 出错时谁负责
- 一次交互多少钱
性能排在这三条之后。Standby 正好回答第三条,所以面向日本讲这次发布,“不用再为沉默付全价”比“又快又自然”传得更远。
对在日本做发布的海外 AI 公司,这里还有一层启示:一次发布有没有带上“在日语里试过”的证据,接受度完全不同。我把这次的视频加上日语字幕发出来,就是因为读不到日语,讨论根本不会开始。而任何宣称多语言能力的产品,展示它在目标语言里实际听起来如何,比宣称本身更有价值。
如何用在自己公司
三个具体动作:
- 量出现有语音业务里的静音占比。决定 Standby 价值的是这个数字,不是模型对比
- 列出所有需要复述字母或数字的环节,用自己的词表重测:你的料号、你的 ID 格式
- 重新划定“说话的部分”与“思考的部分”的边界,让思考层保持可替换
语音智能体的项目通常因两个原因停下:质量不够,或者账算不过来。这次更新动的是第二个。如果你曾因成本搁置过语音项目,当时那份决策记录值得重新打开。
常见问题
GPT-Live-1.1 改进了什么?
公布的改进是多语言下一致且自然的口音,以及字母与数字的听取更准确。同时新增了 Standby 模式。它与 ChatGPT Plus、Pro 语音对话使用的是同一个模型,现在可以从 API 调用。
Standby 是什么,价格如何?
静音持续 5 到 60 秒时模型暂停,WebRTC 通话保持连接,以更低的价格等待,有人说话就恢复。等待期间每分钟 0.02 美元,常规为 0.05 美元。
GPT-Live-1 也能用 Standby 吗?
可以。Standby 在 GPT-Live-1 与 GPT-Live-1.1 上都能使用。也就是说,不必先更换模型,就能先拿到成本上的改善。
根据 X 帖子整理原帖 ↗