GPT-Live คืออะไร

OpenAI ได้เปิดตัว GPT-Live ซึ่งเป็นโมเดลเสียงรุ่นใหม่ที่ขับเคลื่อน ChatGPT Voice ในปัจจุบัน ความสามารถที่โดดเด่นนี้ฟังดูง่ายแต่ไม่ง่ายเลย: GPT-Live สามารถฟังและพูดไปพร้อมกันได้

ประสบการณ์เสียงของ ChatGPT ก่อนหน้านี้ทั้งหมด รวมถึง Advanced Voice Mode ทำงานแบบผลัดกันพูด คุณพูด มันรอ แล้วมันก็ตอบ GPT-Live ทำงานแบบ Full-duplex: มันประมวลผลเสียงขาเข้าในขณะที่สร้างเอาต์พุต และมันตัดสินใจหลายครั้งต่อวินาทีว่าจะพูด, ฟังต่อ, หยุดชั่วคราว, ขัดจังหวะ หรือเรียกใช้เครื่องมือ มันสามารถพูด "อืม" ในขณะที่คุณอธิบายบางอย่าง, รอในขณะที่คุณคิด, และกลับมาสนทนาได้อย่างเป็นธรรมชาติเมื่อคุณพูดแทรกกลางประโยค

GPT-Live โดยสรุป

สี่รุ่นย่อยและสิ่งที่อยู่เบื้องหลัง

GPT-Live มาในรูปแบบของตระกูลโมเดล และ OpenAI ได้ให้ความชัดเจนเป็นพิเศษเกี่ยวกับโครงสร้างการทำงาน: "GPT-Live-1 (instant) และ GPT-Live-1 mini ใช้โมเดล GPT-5.5 Instant ในเบื้องหลัง ในขณะที่ GPT-Live-1 Medium และ GPT-Live-1 High ใช้โมเดล GPT-5.5 Thinking ที่มีความพยายามในการให้เหตุผลระดับปานกลางและสูง"

ดังนั้นเลเยอร์เสียงจึงเป็นผลิตภัณฑ์ และ GPT-5.5 ทำหน้าที่ประมวลผลการคิดที่ซับซ้อนอยู่เบื้องหลัง ในทางปฏิบัติ:

• GPT-Live-1 เป็นรุ่นใช้งานทั่วไป ซึ่งตอนนี้เป็นค่าเริ่มต้นสำหรับสมาชิก Go, Plus และ Pro
• GPT-Live-1 mini ให้บริการผู้ใช้แบบฟรีด้วยรูปแบบการโต้ตอบแบบ Full-duplex เดียวกัน
• GPT-Live-1 Medium และ High แลกความเร็วในการตอบสนองกับการให้เหตุผลที่ลึกซึ้งยิ่งขึ้น โดยใช้ GPT-5.5 Thinking ที่ความพยายามระดับปานกลางและสูง

การมอบหมายงาน: แนวคิดสถาปัตยกรรมที่สอง

Full-duplex เป็นส่วนหนึ่งของการออกแบบ อีกส่วนหนึ่งคือการมอบหมายงาน "เมื่อคำถามต้องการการค้นหา การให้เหตุผล หรือความสามารถที่ซับซ้อนมากขึ้น GPT-Live สามารถมอบหมายงานให้กับโมเดลอื่น เช่น GPT-5.5" และมันจะนำผลลัพธ์กลับมารวมในการสนทนาเมื่อพร้อม

สิ่งนี้แก้ปัญหาความท้าทายคลาสสิกของ AI เสียง: โมเดลที่เร็วพอสำหรับการแชทแบบเรียลไทม์มักจะตื้นเกินไปสำหรับคำถามที่ยาก และโมเดลที่ฉลาดพอสำหรับคำถามที่ยากก็มักจะช้าเกินไปสำหรับการสนทนา GPT-Live แบ่งงานออกเป็นสองส่วน โมเดลเสียงช่วยให้การสนทนาดำเนินต่อไปได้ รวมถึงการตอบรับสั้นๆ ในขณะที่โมเดลที่แข็งแกร่งกว่าทำงานอยู่เบื้องหลัง คุณพูดต่อไป; คำตอบจะมาถึงเมื่อพร้อม

ความสามารถของ GPT-Live ในช่วงเปิดตัว

นอกเหนือจากกลไกการสนทนาแล้ว ชุดคุณสมบัติในช่วงเปิดตัวประกอบด้วย:

• การค้นหาเว็บ ซึ่งมีการมอบหมายและนำผลลัพธ์กลับมารวมในการสนทนา
• การแปลแบบเรียลไทม์ ระหว่างภาษาในการสนทนา
• การ์ดแสดงผล ที่แสดงบนหน้าจอสำหรับสภาพอากาศ, หุ้น และกีฬา
• การอัปโหลดรูปภาพและไฟล์ ในการสนทนาด้วยเสียง
• หน่วยความจำ ที่สอดคล้องกับ ChatGPT ส่วนอื่นๆ

และข้อจำกัดในการเปิดตัว: "ในการเปิดตัว GPT-Live จะไม่รองรับเสียงพร้อมวิดีโอหรือการแชร์หน้าจอใน ChatGPT" Advanced Voice Mode ยังคงความสามารถเหล่านั้นไว้สำหรับสมาชิกที่มีสิทธิ์ และทั้ง Standard และ Advanced Voice Mode ยังคงใช้งานได้ หากการใช้กล้องส่องสิ่งต่างๆ มีความสำคัญต่อขั้นตอนการทำงานของคุณ อย่าเพิ่งเปลี่ยนไปใช้ GPT-Live; รายละเอียดอยู่ในบทความ GPT-Live vs Advanced Voice Mode

เกณฑ์มาตรฐานที่ OpenAI อ้างถึง

OpenAI ได้ระบุการประเมินสามอย่าง ซึ่งทั้งหมดเปรียบเทียบกับ Advanced Voice Mode ไม่ใช่ผลิตภัณฑ์ของคู่แข่ง:

• GPQA: GPT-Live-1 "มีประสิทธิภาพสูงกว่าอย่างมาก" เมื่อเทียบกับ Advanced Voice Mode ในการให้เหตุผลทางวิทยาศาสตร์ระดับผู้เชี่ยวชาญในสาขาชีววิทยา เคมี และฟิสิกส์

• BrowseComp: "มีการปรับปรุงอย่างมาก" ในการค้นหาเว็บแบบเอเจนต์และข้อมูลที่หายาก

• τ³-Voice Telecom (รุ่นภายใน): ประสิทธิภาพที่ดีขึ้นในงานสนับสนุนด้านโทรคมนาคมแบบหลายขั้นตอนที่สมจริง

OpenAI ยังรายงานด้วยว่าผู้ใช้ "ชื่นชอบอย่างมาก" GPT-Live ในการสนทนาแบบตัวต่อตัว 5-10 นาที โปรดสังเกตสิ่งที่ขาดหายไป: คะแนนที่เผยแพร่, ตัวเลขความหน่วง, และราคา ข้อเรียกร้องเหล่านี้เป็นเพียงแนวทางและรายงานจากผู้ขาย ดังนั้นจึงควรถือว่าเป็นภาพรวม ไม่ใช่ตารางคะแนน ตัวเลขของคู่แข่งจะมาถึงเมื่อบทความ เปรียบเทียบ สามารถทดสอบผลิตภัณฑ์ที่วางจำหน่ายจริงได้

สถานะของนักพัฒนา

ปัจจุบันยังไม่มี GPT-Live API คำพูดที่แท้จริงของ OpenAI คือ: "เราวางแผนที่จะนำ API เหล่านี้มาให้ใช้งานในไม่ช้า และนักพัฒนาและองค์กรสามารถลงทะเบียนเพื่อรับการแจ้งเตือนได้โดยใช้แบบฟอร์มนี้"

สิ่งที่มีอยู่สำหรับการสร้างเอเจนต์เสียงในขณะนี้คือ Realtime API ซึ่งพร้อมใช้งานทั่วไปกับตระกูล gpt-realtime-2.1, การส่งข้อมูลผ่าน WebSocket และ WebRTC, การโทรศัพท์ SIP และการรองรับเซิร์ฟเวอร์ MCP หากคุณมาที่นี่เพื่อวางแผนผลิตภัณฑ์เสียง คู่มือที่เป็นประโยชน์คือ มี GPT-Live API หรือไม่? นักพัฒนาสามารถใช้อะไรได้บ้างในวันนี้ และความสับสนในการตั้งชื่อระหว่างสองสแต็คจะถูกคลี่คลายใน GPT-Live vs GPT-Realtime

ในระหว่างที่คุณกำลังสร้างต้นแบบโดยใช้ Realtime API, Apidog จะจัดการส่วนที่ไม่ซับซ้อน: การทดสอบเซสชัน WebSocket, การตรวจสอบเหตุการณ์ที่สตรีม, และการจำลองแบ็คเอนด์เสียงของคุณ เพื่อไม่ให้งานของไคลเอ็นต์ถูกบล็อกด้วยการเชื่อมต่อกับโมเดลจริง

วิธีทดลองใช้ GPT-Live

การเปิดตัวนี้เป็นไปทั่วโลกแต่ทยอยเปิดใช้งานใน iOS, Android และ chatgpt.com ผู้ใช้แบบชำระเงินจะได้ GPT-Live-1 เป็นค่าเริ่มต้นของ Voice ใหม่; ผู้ใช้แบบฟรีจะได้ GPT-Live-1 mini อัปเดตแอป, เปิด Voice, และตรวจสอบว่าโมเดลใดตอบกลับ; หากยังไม่มีอะไรเปลี่ยนแปลง แสดงว่าการเปิดตัวยังไม่ถึงบัญชีของคุณ การตั้งค่าทีละขั้นตอน, การสลับรุ่นย่อย, และเส้นทาง CarPlay (สำหรับทุกแผน, iOS 26.4+) มีอธิบายไว้ใน วิธีใช้ GPT-Live

ทำไมการเปิดตัวนี้จึงสำคัญ

เสียงเป็นอินเทอร์เฟซ AI ที่สาธิตง่ายที่สุดและพร้อมใช้งานจริงน้อยที่สุดมาเป็นเวลาสองปี การพูดแบบผลัดกันทำให้ผู้ช่วยทุกตัวรู้สึกเหมือนวิทยุสื่อสาร Full-duplex บวกกับการมอบหมายงานเป็นสถาปัตยกรรมกระแสหลักแรกที่ถือว่าการสนทนาเป็นไปอย่างต่อเนื่อง ไม่ใช่การทำธุรกรรม และ OpenAI ได้ส่งมอบสิ่งนี้ให้กับผู้ใช้หลายร้อยล้านคนเป็นค่าเริ่มต้น ไม่ใช่การแสดงตัวอย่างในห้องปฏิบัติการ

เวอร์ชันสำหรับนักพัฒนาของสถาปัตยกรรมนั้นจะมาถึง "ในไม่ช้า" เมื่อมันเปิดตัว เอเจนต์เสียงแบบเรียลไทม์จะได้รับมาตรฐานใหม่สำหรับการทดสอบ; จนกว่าจะถึงเวลานั้น เส้นทาง Realtime API คือที่ที่ระบบที่ใช้งานได้จริงถูกสร้างขึ้น ดาวน์โหลด Apidog ฟรีหากคุณกำลังสร้างระบบดังกล่าวในตอนนี้; เพียงแค่ความสามารถในการดีบั๊ก WebSocket ก็คุ้มค่าแล้ว

คำถามที่พบบ่อย

GPT-Live คืออะไรในประโยคเดียว? GPT-Live คือตระกูลโมเดลเสียงแบบ Full-duplex ของ OpenAI ที่ขับเคลื่อน ChatGPT Voice: โดยมันจะฟังไปพร้อมกับการพูด, ให้การตอบรับสั้นๆ อย่างเป็นธรรมชาติ, และมอบหมายคำถามยากๆ ให้กับ GPT-5.5 ที่ทำงานอยู่เบื้องหลัง

GPT-Live ฟรีหรือไม่? ผู้ใช้แบบฟรีจะได้รับ GPT-Live-1 mini เป็นโมเดลเสียงเริ่มต้น ส่วนผู้ใช้แบบชำระเงิน (Go, Plus, Pro) จะได้รับ GPT-Live-1

GPT-Live รองรับวิดีโอหรือการแชร์หน้าจอหรือไม่? ไม่รองรับในการเปิดตัว Advanced Voice Mode ยังคงความสามารถในการแชร์วิดีโอและหน้าจอสำหรับสมาชิกที่มีสิทธิ์; OpenAI กล่าวว่ากำลังดำเนินการเพื่อนำความสามารถเหล่านี้มาสู่ GPT-Live ในไม่ช้า

มี GPT-Live API หรือไม่? ยังไม่มี OpenAI วางแผนที่จะนำ GPT-Live มาสู่ API "ในไม่ช้า"; นักพัฒนาสามารถสร้างเอเจนต์เสียงได้ในวันนี้ด้วย Realtime API

โมเดลใดขับเคลื่อน GPT-Live? GPT-Live-1 และ mini ทำงานบน GPT-5.5 Instant; ส่วนรุ่น Medium และ High ใช้ GPT-5.5 Thinking ที่ความพยายามในการให้เหตุผลระดับปานกลางและสูง