OpenAI 在9月10日將 GPT – Live –1 開放給 API，定價為前端語音層每分鐘0.05美元。該服務採用全雙工方式處理音頻，使用者可以邊聽邊說，並且在對話繼續時，可以將複雜的推理和工具調用交給後端文本模型 GPT –6 Astra 等。對開發者來說，這不僅是簡單地換一組更自然的聲音，而是將語音系統從「識別—推理—合成」的串聯式結構，改變為前端對話與後端執行協同的結構。

傳統語音機器人最明顯的問題並非聽不清每個字，而是不知道何時該說、何時該停。用戶稍作停頓，系統可能就會抢先回答；用戶中途改口，已經生成的回覆仍會繼續播放；背景有人說話，機器人又會將旁人的聲音當成指令。每一次語音轉文字、模型響應和文字轉語音之間的交接都會增加延遲，也容易丟失語氣、停頓和打斷信號。

全雙工可以減少機械輪次，但測試結果並非表示所有場景都能穩定運行。

GPT – Live – 1使用同一模型聯合處理輸入和輸出音頻，官方強調其在中斷處理、背景噪音、靜默管理以及長會話可靠性方面的優勢。Speak 在早期評估中表示，與之前的輪次式系統相比，語言學習者在思考時被中斷的次數減少了近80%。另一家客戶表示，改用該模型後代碼量减少了80%，刪除了約2.3萬行代碼。在Full Duplex Bench上，其表現比GPT – Realtime – 2.1提升了30個百分點，並且可以與後端模型組合處理端到端的任務。

這些數字顯示架構具有潛在的收益，但都帶有測試環境和客戶實現的界限。語言學習中的停頓規律，與急救熱線、銀行客服或嘈雜的餐廳不同；某家公司刪除的代碼，也取決於原始系統堆疊了多少中間組件。開發團隊不能將「減少80%」寫進自己的商業承諾中，必須用真實的口音、設備、網路和業務腳本重新測量。

全雙工還改變了錯誤的形態。串聯系統雖然較慢，但容易定位是識別錯、模型錯還是合成錯；端到端語音模型更自然，但需要同時記錄音頻時間軸、轉寫、系統動作和被打斷的位置。客戶說「不要取消」時，如果代理已經將取消請求提交到後臺，聲音停止並不代表動作停止。前台對話狀態與後臺交易狀態必須分別管理。

官方提供更多口音、方言和語言的聲音選擇，也允許通過系統提示調整語氣、節奏和風格。自定義聲音仍需聯繫銷售並滿足資格條件，不能理解為所有開發者都能立即克隆任意聲音。企業還應明確告知用戶正在與 AI 交流，禁止未經授權模仿真人，並對錄音保存、聲紋數據和轉寫內容設定保留期限。

真正上線時，必須將延遲、權限、需要轉交給人工處理的環節以及成本一起考慮在內。

語音代理適用於預約、訂單查詢和常規客戶服務，因為問題通常具有結構性，後台動作也能明確確認。在設計流程時，應將「聽懂意圖」和「執行動作」分開。查詢營業時間可以直接回答，修改地址可以複述確認，付款、退訂或醫療安排則需要更強的驗證。用戶中斷一次，不應自動視為同意或撤銷，關鍵動作需用清晰的问题來完成閉環。

轉接至人工機制同樣重要。系統應該能識別連續的誤解、強烈的情緒、高風險的關鍵詞以及工具的失敗，而不是為了維持自動解決率而不斷猜測。在轉接時，應將已確認的信息、未完成的動作和對話摘要交給人工，避免用戶需要重新說一遍。提升長時間對話的性能並不意味着代理人可以無限拖延；越早承認不確定性，就越能減少後續的補救成本。

價格也不能只按照0.05美元乘以通話時長來計算。後台模型的運算、電話線路的使用、工具的調用、日誌的儲存以及人工處理都會產生費用。全雙工模式可能會縮短通話時間，但也可能因為交流更加自然而延長會話時間。在評估時，應該同時考慮每次成功解決問題的總成本、平均處理時間、中斷後的恢復率、錯誤操作率，以及轉交給人工後需要重複說明的情況發生率。

語言覆蓋還需要進行本地實測。同一種語言在不同地區存在口音、語速、數字讀法以及客戶服務禮貌習慣的差異，電話線路壓縮也會導致聲音細節的損失。測試集應該包含老年人、兒童、非母語者、多人在一室內的情況以及網絡較弱的環境，而不只是讓內部員工在安靜的辦公室裏朗讀腳本。只有失敗樣本夠真實，模型升級時才不會將演示效果誤認為是大眾體驗。

GPT ‑ Live ‑1已可在API中使用，但更多的聲音和語言仍會繼續擴展，部分定制功能也會有資格限制。這讓語音代理跨越了「輪流朗讀」的體驗門檻，卻沒有消除業務系統的責任邊界。決定產品是否好用，不僅在於模型聽起來是否像人，而在於用戶改口時是否能真正停下，後臺動作是否能同步撤回，出錯時是否能迅速找到人，而且每一步都留下可核對的記錄。