Trả lời ngắn gọn: không. GPT-Live, dòng mô hình giọng nói song công toàn phần mà OpenAI đã công bố vào ngày 8 tháng 7 năm 2026, là một tính năng của ChatGPT khi ra mắt. Cam kết chính xác của OpenAI với các nhà phát triển là một câu: “Chúng tôi cũng dự định sớm đưa chúng lên API, và các nhà phát triển cùng doanh nghiệp có thể đăng ký để nhận thông báo bằng cách sử dụng biểu mẫu này.”
Chỉ vậy thôi. Không có điểm cuối (endpoints), không có ID mô hình, không có giá cả, không có lộ trình ngoài từ “sớm.”
Nếu bạn đang xây dựng một tác nhân giọng nói trong quý này, chờ đợi là một kế hoạch sai lầm, bởi vì OpenAI đã cung cấp một ngăn xếp giọng nói cấp sản xuất: API Realtime, có sẵn rộng rãi, với các mô hình được cập nhật gần đây nhất là vào ngày 6 tháng 7. Hướng dẫn này trình bày những gì bạn có thể xây dựng hôm nay, bạn có thể đạt được chất lượng tương tác gần với GPT-Live đến mức nào với ngăn xếp hiện tại, và những gì cần chuẩn bị khi API GPT-Live ra mắt.
Những gì GPT-Live sẽ mang lại cho bạn, cuối cùng
Hiểu rõ những gì sắp tới sẽ làm rõ những gì cần xây dựng ngay bây giờ. Kiến trúc của GPT-Live có hai phần nổi bật:
- Cuộc hội thoại song công toàn phần. Mô hình xử lý âm thanh đầu vào trong khi tạo ra đầu ra, quyết định nhiều lần mỗi giây xem có nên nói, lắng nghe, tạm dừng, ngắt lời, hoặc gọi một công cụ. Các phản hồi nhỏ (“ừm,” “đã hiểu”) được cung cấp miễn phí.
- Ủy quyền nền. “Khi một câu hỏi yêu cầu tìm kiếm, suy luận, hoặc các khả năng tác nhân cao hơn, GPT-Live có thể ủy quyền nhiệm vụ cho một mô hình khác như GPT-5.5,” sau đó đưa câu trả lời trở lại cuộc hội thoại trực tiếp.
Cả hai đều chưa được cung cấp cho các nhà phát triển. Cả hai đều có các xấp xỉ thực tế trong API hiện nay.
Những gì bạn có thể xây dựng hôm nay: API Realtime
API Realtime có sẵn rộng rãi và là câu trả lời thực sự đằng sau hầu hết các tìm kiếm “API GPT Live.” Trạng thái hiện tại:
| Khả năng | Trạng thái hiện tại |
|---|---|
| Mô hình | gpt-realtime, gpt-realtime-1.5, gpt-realtime-2.1, gpt-realtime-2.1-mini |
| Giao thức truyền tải | WebSocket và WebRTC |
| Gọi điện thoại | Hỗ trợ SIP |
| Sử dụng công cụ | Gọi hàm + máy chủ MCP từ xa |
| Đầu vào | Âm thanh, văn bản, hình ảnh |
| Giá cả (gpt-realtime) | $4/M token đầu vào, $16/M token đầu ra; phí âm thanh được tính riêng |
Chuyển giọng nói thành giọng nói trong một mô hình duy nhất, độ trễ phản hồi dưới một giây, xử lý ngắt lời thông qua phát hiện hoạt động giọng nói phía máy chủ. Chúng tôi đã đề cập đến dòng sản phẩm này khi nó phát triển: hướng dẫn gpt-realtime gốc, hướng dẫn chi tiết GPT-Realtime-2, và thiết lập GPT-Realtime-2.1-mini, được phát hành hai ngày trước khi GPT-Live được công bố.
Điều mà API Realtime không làm được là song công toàn phần thực sự. Nó là bán song công nhanh: khả năng phục hồi ngắt lời tuyệt vời, nhưng mô hình không nói trong khi lắng nghe, và nó sẽ không phản hồi nhỏ trong khi bạn nói. Đó là khoảng cách mà API của GPT-Live cuối cùng sẽ lấp đầy.
Tiến gần đến hành vi của GPT-Live với ngăn xếp hiện tại
Các nhóm muốn có trải nghiệm người dùng (UX) giống GPT-Live trước khi API ra mắt đang kết hợp ba mẫu:
- Điều chỉnh ngắt lời mạnh mẽ. VAD phía máy chủ với ngưỡng chặt chẽ giúp bạn có khả năng thay phiên trò chuyện gần như tự nhiên. Kiểm tra các cài đặt với các mẫu giọng nói thực tế, không phải kịch bản demo; tiếng ồn nền và những khoảng dừng suy nghĩ là nơi các cấu hình dễ thất bại.
- Mẫu ủy quyền, tự xây dựng. Thủ thuật ủy quyền nền của GPT-Live có thể tái tạo được ngày nay: chạy
gpt-realtime-2.1cho vòng lặp cuộc trò chuyện, và khi người dùng hỏi một câu hỏi khó, hãy sử dụng một lời gọi hàm để gửi câu hỏi đến một mô hình mạnh hơn (GPT-5.5 thông qua API tiêu chuẩn) trong khi mô hình giọng nói xác nhận và chờ đợi một cách khéo léo. Khi kết quả trả về, hãy đưa nó vào phiên. Đó chính xác là những gì OpenAI đã sản phẩm hóa; bạn đang tự mình xây dựng phần kết nối. - Điều phối âm thanh đệm. Không có phản hồi nhỏ tự nhiên, một số nhóm truyền phát âm thanh xác nhận ngắn trong các cuộc gọi công cụ dài. Đó là một cách làm không chính thống. Nó cũng hiệu quả.
Kiểm tra ngăn xếp thời gian thực
Các tác nhân giọng nói thường thất bại ở lớp giao thức truyền tải hơn là lớp mô hình, và đây là nơi một môi trường làm việc API phù hợp trở nên quan trọng. Trong Apidog, bạn có thể điều khiển phiên WebSocket trực tiếp: kết nối đến điểm cuối Realtime, gửi cấu hình phiên và các sự kiện âm thanh, và theo dõi các sự kiện máy chủ trả về theo thứ tự. Điều đó làm cho các chế độ lỗi trở nên rõ ràng: ranh giới VAD kích hoạt sớm, các sự kiện gọi hàm xen kẽ với các thay đổi âm thanh, các phiên chết lặng lẽ do cấu hình sai.
Hai thói quen thực tế: giữ khóa API của bạn trong một biến môi trường Apidog thay vì trong mỗi nguyên mẫu client, và mô phỏng các điểm cuối công cụ backend của tác nhân để bạn có thể kiểm tra vòng lặp cuộc trò chuyện mà không cần các dịch vụ thực của bạn hoạt động trực tuyến. Tải Apidog miễn phí; tính năng kiểm thử WebSocket được bao gồm.
Khi API GPT-Live ra mắt: những gì cần chuẩn bị
Đọc thông báo như một lộ trình API, ba thay đổi đáng để thiết kế ngay bây giờ:
- Ngữ nghĩa phiên sẽ thay đổi. Song công toàn phần có nghĩa là các sự kiện truyền theo cả hai hướng liên tục, không phải trong các đợt yêu cầu-phản hồi. Mã lập trình giả định “lượt người dùng, rồi lượt mô hình” sẽ cần cấu trúc lại; các kiến trúc hướng sự kiện sẽ được chuyển đổi một cách gọn gàng.
- Ủy quyền có thể trở thành một kiểu nguyên thủy hàng đầu. Nếu OpenAI cung cấp cơ chế chuyển giao nền, phần kết nối ủy quyền tự xây dựng sẽ trở thành cấu hình. Hãy giữ cho phần của bạn được kết nối lỏng lẻo.
- Hãy mong đợi một họ biến thể, chứ không phải một mô hình duy nhất. GPT-Live được tích hợp trong ChatGPT dưới dạng bốn biến thể (Instant-backed và Thinking-backed ở hai mức độ nỗ lực). Một bản phát hành API được định hình tương tự sẽ có nghĩa là có sự đánh đổi giữa độ trễ/độ sâu được chọn cho mỗi phiên.
Đăng ký nhận thông báo của OpenAI nếu thời gian là quan trọng đối với lộ trình của bạn, và theo dõi cẩn thận sự khác biệt về tên gọi khi mức độ phổ biến tăng lên: GPT-Live và GPT-Realtime là các ngăn xếp khác nhau, và rất nhiều bài viết ngày đầu tiên đã gộp chung chúng.
Quyết định, rõ ràng
| Tình huống của bạn | Hãy làm điều này |
|---|---|
| Phát hành một tác nhân giọng nói trong 3 tháng tới | Xây dựng trên gpt-realtime-2.1 ngay bây giờ; ngăn xếp đã được phát hành rộng rãi (GA) và ổn định |
| Xây dựng nguyên mẫu cho việc ra mắt vào cuối năm 2026 | Xây dựng trên API Realtime, giữ ủy quyền được kết nối lỏng lẻo, đăng ký nhận thông báo GPT-Live |
| Nhu cầu “trò chuyện với ChatGPT” hướng đến người tiêu dùng | Bạn không cần API; GPT-Live đã có sẵn trong sản phẩm |
| Quyết định giữa các ngăn xếp của OpenAI | Đọc GPT-Live so với GPT-Realtime trước |
Câu hỏi thường gặp
Có API GPT-Live không? Không. GPT-Live chỉ cung cấp năng lượng cho ChatGPT Voice. OpenAI cho biết họ có kế hoạch sớm đưa các mô hình này lên API, với một biểu mẫu đăng ký để nhận thông báo.
API nào gần nhất với GPT-Live hiện nay? API Realtime với gpt-realtime-2.1 hoặc 2.1-mini: chuyển giọng nói thành giọng nói, WebSocket/WebRTC, gọi SIP và hỗ trợ công cụ MCP, đã được phát hành rộng rãi.
Tôi có thể tái tạo ủy quyền của GPT-Live bằng API hiện tại không? Về cơ bản, có: sử dụng gọi hàm để chuyển các câu hỏi khó từ mô hình thời gian thực đến GPT-5.5, sau đó đưa kết quả trở lại phiên. GPT-Live đã sản phẩm hóa mẫu này.
GPT-Live có thay thế API Realtime không? OpenAI chưa cho biết. Với cấu trúc bốn biến thể và trạng thái GA của API Realtime, cùng tồn tại là giả định an toàn hơn để lập kế hoạch.