GPT-Live-1: Πώς λειτουργεί το full-duplex φωνητικό μοντέλο της OpenAI σε τηλεφωνικές κλήσεις

Το GPT-Live-1 είναι το full-duplex φωνητικό μοντέλο της OpenAI. Ακούει και μιλά ταυτόχρονα, διαχειρίζεται μόνο του τις διακοπές και αναθέτει τη συλλογιστική και τη χρήση εργαλείων σε ξεχωριστό backend μοντέλο. Η OpenAI το έφερε στο API στις 10 Σεπτεμβρίου 2026, αφού έκανε το ντεμπούτο του στη φωνητική λειτουργία του ChatGPT, και είναι διαθέσιμο στους τηλεφωνικούς πράκτορες της Retell AI από τις 2 Νοεμβρίου 2026. Αυτός ο οδηγός εξηγεί πώς λειτουργεί, πόσο κοστίζει στο API, πού ταιριάζει στις τηλεφωνικές κλήσεις και πώς να το ρυθμίσετε σε έναν πράκτορα της Retell.

Η Retell AI δημοσιεύει αυτόν τον οδηγό και προσφέρει το GPT-Live-1 ως ένα από τα μοντέλα της πλατφόρμας φωνητικών πρακτόρων της.

Το GPT-Live-1 με μια ματιά

Πηγές: η σελίδα του μοντέλου GPT-Live-1 της OpenAI, ο οδηγός Live, ο οδηγός Live conversations, το changelog του API και η ανακοίνωση κυκλοφορίας· για το GPT-Live-1.1, μια ανάρτηση στο φόρουμ προγραμματιστών της OpenAI. Πρόσβαση: 5 Νοεμβρίου 2026.

Πώς λειτουργεί το full duplex

Οι περισσότεροι φωνητικοί πράκτορες εναλλάσσουν τη σειρά ομιλίας με έναν από δύο τρόπους. Ένας cascading πράκτορας (διαδοχικής επεξεργασίας) μεταγράφει τον καλούντα, στέλνει το κείμενο σε ένα γλωσσικό μοντέλο και στη συνέχεια μετατρέπει την απάντηση σε ομιλία. Ένα μοντέλο speech-to-speech, όπως το gpt-realtime-2.1 της OpenAI, κάνει και τα τρία μέσα σε ένα μόνο μοντέλο.

Το GPT-Live-1 μοιράζει τη δουλειά διαφορετικά. Το φωνητικό μοντέλο έχει τον έλεγχο της συνομιλίας: ακούει τον καλούντα ενώ μιλά, διαχειρίζεται τις διακοπές (barge-in) και τις παύσεις και αποφασίζει τι θα πει στη συνέχεια. Όταν χρειάζεται μια πληροφορία ή μια ενέργεια, ζητά εργασία από το backend παράγοντας ένα ειδικό token, <|SpawnThinking|>. Το backend μπορεί να είναι μοντέλο, πράκτορας ή υπηρεσία· στη Retell είναι ένα μοντέλο κειμένου της επιλογής σας, που εκτελεί τα εργαλεία και τη βάση γνώσεων του πράκτορα. Το backend επιστρέφει το αποτέλεσμα και το φωνητικό μοντέλο το διατυπώνει με δικά του λόγια. Η εργασία του backend μπορεί να συνεχίζεται ακόμη κι όταν ο καλών διακόπτει.

Τα ίδια τα νούμερα της OpenAI τεκμηριώνουν αυτόν τον διαχωρισμό. Στα γραφήματα της ανακοίνωσης κυκλοφορίας στο API, το GPT-Live-1 με backend το GPT-6 Astra σε μεσαίο επίπεδο συλλογιστικής ολοκληρώνει με επιτυχία το 86,2% των φωνητικών εργασιών του Tau3 (υποστήριξη αεροπορικών εταιρειών, λιανικής και τηλεπικοινωνιών) με την πρώτη προσπάθεια, έναντι 45,7% για το GPT-Realtime-2.1. Στο Full Duplex Bench, η OpenAI αναφέρει καθυστέρηση (latency) εναλλαγής σειράς 0,798 δευτερολέπτων για το GPT-Live-1, έναντι 1,41 δευτερολέπτων για το GPT-Realtime-2.1. Αυτά είναι αποτελέσματα της OpenAI, όχι μετρήσεις της Retell.

Cascading, speech-to-speech ή full duplex;

Η Retell υποστηρίζει και τους τρεις τρόπους λειτουργίας ενός φωνητικού πράκτορα. Ο καθένας ταιριάζει σε διαφορετικές κλήσεις.

Για την επιλογή speech-to-speech της xAI, δείτε πώς να λειτουργήσετε έναν τηλεφωνικό πράκτορα με το Grok Voice. Για το ευρύτερο φάσμα μοντέλων, δείτε τη σύγκρισή μας των API speech-to-speech AI για τηλεφωνικές κλήσεις.

Πού ταιριάζει το GPT-Live-1 στις τηλεφωνικές κλήσεις

Το GPT-Live-1 αποδίδει καλύτερα σε πράκτορες single-prompt που εκτελούν ενέργειες κατά τη διάρκεια της κλήσης, όπως κλείσιμο ραντεβού ή αναζήτηση μιας παραγγελίας, όπου το κενό απόκρισης ενός cascading πράκτορα γίνεται αισθητό. Όσο το backend κάνει την κράτηση ή την αναζήτηση, το φωνητικό μοντέλο κρατά τη συνομιλία σε εξέλιξη αντί να σταματά σε μια φράση αναμονής.

Στη Retell έχει σαφείς περιορισμούς:

• Μόνο φωνητικοί πράκτορες single-prompt. Δεν είναι διαθέσιμο για ροές συνομιλίας, πράκτορες multi-prompt, πράκτορες μεταβίβασης ή πράκτορες chat. Για αυτούς χρησιμοποιήστε ένα μοντέλο cascading ή speech-to-speech.
• Ορισμένα εργαλεία δεν υποστηρίζονται. Η εναλλαγή πράκτορα (agent swap), η θερμή μεταβίβαση (με γεφύρωση) και η ακύρωση μεταβίβασης απορρίπτονται κατά την αποθήκευση. Η απλή μεταβίβαση κλήσης, ο τερματισμός κλήσης και το πάτημα ψηφίου λειτουργούν κανονικά.
• Μόνο επί πληρωμή λογαριασμοί. Όπως τα μοντέλα speech-to-speech, το GPT-Live-1 δεν περιλαμβάνεται στη δωρεάν δοκιμή.
• Χωρίς εναλλαγή ανά κλήση. Μια παράκαμψη πράκτορα (agent override) σε μία μόνο κλήση δεν μπορεί να μεταφέρει έναν πράκτορα στο GPT-Live-1.

Πώς να ρυθμίσετε το GPT-Live-1 σε έναν τηλεφωνικό πράκτορα της Retell

Το GPT-Live-1 ρυθμίζεται μέσω του API της Retell, σε ένα Retell LLM.

1. Δημιουργήστε ένα Retell LLM με το model_config ρυθμισμένο σε τύπο duplex, το gpt-live-1 ως κύριο μοντέλο και το μοντέλο κειμένου που θέλετε ως backend.
2. Γράψτε δύο prompts. Το general_prompt είναι το prompt του backend: η εργασία, τα εργαλεία και οι δικλίδες ασφαλείας. Το voice_prompt λέει στο φωνητικό μοντέλο πώς να μιλά και πότε να αναθέτει εργασίες στο backend. Μπορεί να φτάνει έως τα 15.000 tokens.
3. Συνδέστε το LLM σε έναν φωνητικό πράκτορα ως μηχανή απόκρισης, όπως κάθε άλλο Retell LLM.
4. Συνδέστε έναν αριθμό τηλεφώνου και δεχτείτε εισερχόμενες κλήσεις ή πραγματοποιήστε εξερχόμενες.

Ακολουθεί ένα αίτημα προσαρμοσμένο από την τεκμηρίωση της Retell, για έναν πράκτορα οδοντιατρικής κλινικής:

curl --request POST "https://api.retellai.com/create-retell-llm" \
  --header "Authorization: Bearer $RETELL_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "general_prompt": "You are the backend for a dental clinic phone agent. Collect the caller name and date of birth, then use the booking tool to find and confirm an appointment. Keep names, numbers, and dates exact.",
    "voice_prompt": "You are a warm, efficient front-desk agent for Bright Smile Dental. Keep replies short and natural, and ask one question at a time.\n\nDelegation policy:\nBackend tools:\n- Appointments: find open times and book, change, or cancel appointments.\n\nGenerate <|SpawnThinking|> when:\n- The caller wants to book, change, or cancel an appointment.\n\nDo not generate <|SpawnThinking|> when:\n- You need a brief clarification to understand the request.",
    "model_config": {
      "type": "duplex",
      "primary": { "model": "gpt-live-1" },
      "backend": { "model": "gpt-4.1" }
    }
  }'

Όλες οι λεπτομέρειες των πεδίων βρίσκονται στον οδηγό ρύθμισης του GPT Live.

Γράφοντας το φωνητικό prompt

Το φωνητικό prompt είναι το σημείο όπου κάνουν λάθος οι περισσότεροι πράκτορες GPT-Live-1. Το μοντέλο αναθέτει εργασίες στο backend μόνο όταν παράγει το <|SpawnThinking|>, επομένως οι κανόνες ανάθεσης πρέπει να χρησιμοποιούν ακριβώς αυτή τη φράση. Διατυπώσεις όπως «ρώτα το backend» ή «ανάθεσε» δεν ενεργοποιούν ανάθεση. Ο οδηγός prompting της OpenAI προειδοποιεί επίσης ότι μια προφορική υπόσχεση όπως «Το ελέγχω» δεν σημαίνει ότι η εργασία του backend έχει ξεκινήσει.

Γράψτε το φωνητικό prompt σε δύο μέρη:

• Περσόνα και ύφος ομιλίας. Ποιος είναι ο πράκτορας και πώς μιλά, όπως ο τόνος και το μήκος των απαντήσεων.
• Μια πολιτική ανάθεσης κάτω από τρεις ετικέτες, διατηρημένες ακριβώς όπως είναι γραμμένες: το "Backend tools:" παραθέτει τι μπορεί να κάνει το backend, μία δυνατότητα ανά γραμμή. Το "Generate <|SpawnThinking|> when:" παραθέτει πότε να γίνεται ανάθεση. Το "Do not generate <|SpawnThinking|> when:" παραθέτει τι να απαντά απευθείας.

Κρατήστε τους ορισμούς εργαλείων, τις διαδικασίες βήμα προς βήμα και πληροφορίες όπως οι τιμές στο backend prompt και στη βάση γνώσεων. Το φωνητικό μοντέλο δεν τα βλέπει· ρωτά το backend και διατυπώνει την απάντηση με δικά του λόγια. Η Retell προσθέτει επίσης για εσάς στο φωνητικό μοντέλο τις οδηγίες ελέγχου κλήσης (τερματισμός κλήσης, μεταβιβάσεις, πατήματα πλήκτρων) και τις ρυθμίσεις του πράκτορα, οπότε παραλείψτε τες.

Τι μεταφέρεται από τις ρυθμίσεις του πράκτορά σας

Οι περισσότερες ρυθμίσεις πράκτορα της Retell εξακολουθούν να ισχύουν. Το φωνητικό μοντέλο τηρεί τη γλώσσα του πράκτορα, την ευαισθησία στις διακοπές, την ταχύτητα ανταπόκρισης, το backchannel, την ταχύτητα φωνής, την προφορά, τις ενισχυμένες λέξεις-κλειδιά και τις δικλίδες ασφαλείας. Ο εντοπισμός τηλεφωνητή, IVR, do-not-call και επανάκλησης εκτελείται μέσω του backend, και η ρύθμιση του μηνύματος καλωσορίσματος εξακολουθεί να καθορίζει ποιος μιλά πρώτος.

Δύο πράγματα συμπεριφέρονται διαφορετικά. Η ρύθμιση "speak during execution" κάθε εργαλείου αγνοείται, επειδή το φωνητικό μοντέλο συνεχίζει να μιλά όσο εκτελείται το backend, και ο πράκτορας μιλά πάντα αφού ολοκληρωθεί ένα εργαλείο. Οι δυναμικές μεταβλητές στο φωνητικό prompt συμπληρώνονται μία φορά, κατά την έναρξη της κλήσης.

Πόσο κοστίζει το GPT-Live-1

Στο API της OpenAI, μια φωνητική συνεδρία GPT-Live-1 κοστίζει $0,05 ανά λεπτό, με χρέωση ανά δευτερόλεπτο χωρίς στρογγυλοποίηση στο επόμενο λεπτό. Το backend μοντέλο και τα εργαλεία του χρεώνονται ξεχωριστά με τις κανονικές τους τιμές.

Στη Retell, το φωνητικό μοντέλο χρεώνεται ανά λεπτό κλήσης και το backend LLM κειμένου χρεώνεται ξεχωριστά για τη δική του χρήση. Οι τρέχουσες τιμές βρίσκονται στη σελίδα τιμολόγησης. Μια λεπτομέρεια έχει σημασία για τις μεγάλες κλήσεις: η Retell μειώνει τις χρεώσεις μοντέλων σε μεγάλα διαστήματα σιωπής, αλλά τα full-duplex φωνητικά μοντέλα εξακολουθούν να χρεώνονται και σε αυτά τα διαστήματα.

Συχνές ερωτήσεις

Τι είναι το GPT-Live-1;

Το GPT-Live-1 είναι το full-duplex φωνητικό μοντέλο της OpenAI για συνομιλίες σε πραγματικό χρόνο. Ακούει και μιλά ταυτόχρονα, διαχειρίζεται τις διακοπές και αναθέτει τη συλλογιστική και τη χρήση εργαλείων σε ένα backend μοντέλο ή πράκτορα της επιλογής σας.

Είναι διαθέσιμο το GPT-Live-1 στο API;

Ναι. Το GPT-Live-1 έγινε γενικά διαθέσιμο στο API της OpenAI στις 10 Σεπτεμβρίου 2026, στο endpoint Live sessions. Το GPT-Live-1.1, μια νεότερη έκδοση με περισσότερες φωνές και καλύτερη απόδοση σε γλώσσες εκτός των αγγλικών, κυκλοφόρησε στα ChatGPT, Codex και dots στις 15 Οκτωβρίου 2026 και ανακοινώθηκε ότι έρχεται σύντομα στο API.

Πόσο κοστίζει το GPT-Live-1;

Η OpenAI χρεώνει $0,05 ανά λεπτό για μια φωνητική συνεδρία GPT-Live-1, με χρέωση ανά δευτερόλεπτο. Το backend μοντέλο και η χρήση εργαλείων χρεώνονται ξεχωριστά με τις κανονικές τους τιμές.

Μπορεί το GPT-Live-1 να διαχειριστεί τηλεφωνικές κλήσεις;

Ναι. Η OpenAI υποστηρίζει συνδέσεις τηλεφωνίας και SIP για τα Live sessions. Στη Retell, ένας πράκτορας GPT-Live-1 είναι φωνητικός πράκτορας όπως κάθε άλλος, οπότε τον συνδέετε σε έναν αριθμό τηλεφώνου για εισερχόμενες και εξερχόμενες κλήσεις, ενώ η απλή μεταβίβαση κλήσης και το πάτημα ψηφίου λειτουργούν κανονικά.

Σε τι διαφέρει το GPT-Live-1 από το gpt-realtime;

Τα μοντέλα gpt-realtime είναι speech-to-speech: ένα μοντέλο ακούει, συλλογίζεται, καλεί εργαλεία και μιλά, στο Realtime API της OpenAI. Το GPT-Live-1 εκτελείται σε ξεχωριστό endpoint Live sessions, κρατά τη φωνή στο δικό του μοντέλο και στέλνει τη συλλογιστική και τα εργαλεία σε ένα backend. Η OpenAI αναφέρει υψηλότερη ολοκλήρωση εργασιών για το GPT-Live-1 σε συνδυασμό με ένα ισχυρό backend, καθώς και ταχύτερη εναλλαγή σειράς ομιλίας.

Λειτουργεί το GPT-Live-1 με ροές συνομιλίας στη Retell;

Όχι. Στη Retell, το GPT-Live-1 λειτουργεί μόνο σε φωνητικούς πράκτορες single-prompt. Οι ροές συνομιλίας και οι πράκτορες multi-prompt χρειάζονται ένα μοντέλο cascading ή speech-to-speech.

Δοκιμάστε το GPT-Live-1 στις δικές σας κλήσεις

Αν ο πράκτοράς σας εκτελεί ενέργειες κατά τη διάρκεια της κλήσης και σας ενοχλούν οι παύσεις, το GPT-Live-1 αξίζει μια πιλοτική δοκιμή. Ακολουθήστε τον οδηγό ρύθμισης, συνδέστε έναν αριθμό στη Retell και συγκρίνετέ το με το τρέχον μοντέλο σας σε πραγματικές κλήσεις πριν κάνετε την αλλαγή.