OpenAI membuka model suara GPT-Live-1 untuk pengembang API pada 10 September. Model ini sebelumnya sudah dirilis lebih dulu di fitur suara ChatGPT dua bulan lalu, dan saat itu perusahaan hanya menyebut versi API akan "menyusul". Kini pengembang bisa langsung memakainya untuk layanan pelanggan telepon, asisten suara, hingga aplikasi latihan percakapan.
GPT-Live-1 adalah model full-duplex: model ini tetap mendengarkan saat pengguna berbicara maupun saat dirinya sendiri berbicara, sehingga bisa disela kapan saja, dan mampu menangani kebisingan latar serta panggilan yang berlangsung lama. Berbeda dari generasi Realtime sebelumnya, model ini tidak dirancang untuk memikirkan semuanya sendiri. Untuk permintaan yang butuh penalaran atau pemanggilan tool, tugas itu diserahkan ke model backend yang dikonfigurasi pengembang, sementara GPT-Live-1 sendiri fokus menjaga ritme percakapan.
Front end dan back end ditagih terpisah
Struktur harganya mengikuti pembagian yang sama. Front-end suara dikenai 0,05 dolar AS per menit, ditagih per detik sehingga durasi kurang dari satu menit tidak dibulatkan ke atas; model dan tool yang dipanggil di backend ditagih terpisah sesuai tarif normal masing-masing.
OpenAI menyarankan tiga kombinasi: Luna untuk tugas sederhana berfrekuensi tinggi seperti penjadwalan atau pemesanan; GPT-6 Astra untuk pertanyaan layanan pelanggan kompleks yang butuh penalaran; dan Codex untuk percakapan seputar kode. Model pihak ketiga juga bisa dipasang di backend.
Menurut dokumentasi pengembang, nama modelnya adalah gpt-live-1, menggunakan endpoint Live baru (v1/live/sessions), bukan Realtime API lama. Input dan output mendukung audio serta teks, tapi tidak mendukung gambar atau video; batas pengetahuannya sampai 31 Juli 2025. Batas sesi bersamaan berkisar dari 25 hingga 500, tergantung tingkatan akun.
Perbandingan langsung dengan GPT-Realtime-2.1
Dari angka uji yang dipublikasikan OpenAI, selisih terbesar ada pada metrik penyelesaian tugas:
| Metrik | GPT-Live-1 | GPT-Realtime-2.1 |
|---|---|---|
| Tau3 voice intelligence (keberhasilan sekali coba) | 86,2% | 45,7% |
| Interaktivitas full-duplex | 80,1% | 45,4% |
| Keberhasilan sekali coba pemanggilan tool | 87,0% | 60,0% |
| Latensi pergantian giliran bicara | 0,798 detik | 1,41 detik |
| Dinamika percakapan Artificial Analysis | 97,3% | 95,7% |
Untuk kealamian percakapan, selisih kedua generasi cuma 1,6 poin persentase karena generasi sebelumnya memang sudah mendekati sempurna. Selisih besar justru muncul pada kemampuan "menyelesaikan pekerjaan sambil ngobrol": baik Tau3 maupun uji pemanggilan tool sama-sama menuntut model menuntaskan alur bisnis nyata di dalam percakapan suara. Dari sisi arsitektur, peningkatan ini sebagian besar berasal dari pengalihan penalaran ke backend, sementara front end hanya bertugas mendengar dan berbicara. Skor Tau3 diukur dengan model backend terpasang, dan materi resmi menyebut kombinasinya adalah GPT-6 Astra; skor jika memakai backend murah seperti Luna tidak dipublikasikan secara terpisah.
Tanggapan pelanggan awal
Pelanggan awal yang disebut OpenAI adalah Yelp, Speak, Fin, dan Cognition. CTO Yelp, Alex Levy, memperhatikan bahwa penelepon mulai berbicara dengan kalimat yang lebih utuh:
"Callers are also speaking fuller, more natural sentences, which tells us the experience on the other end of the phone feels genuinely different."
(Penelepon berbicara dengan kalimat yang lebih lengkap dan alami, yang menunjukkan pengalaman di ujung telepon benar-benar terasa berbeda.)
CTO aplikasi belajar bahasa Speak, Andrew Hsu, memberi angka konkret: model ini menyela pengguna sekitar 80% lebih jarang saat mereka berhenti sejenak untuk mencari kata, dibandingkan sistem bergiliran bicara yang lama. COO perusahaan layanan pelanggan Fin, Jordan Neil, menggambarkan layanan suara berubah dari pola "tanya lalu jeda" menjadi ritme yang mendekati telepon biasa. Cognition menghubungkan model ini ke agen coding Devin, sehingga engineer bisa mendiskusikan rencana dengan agen sambil berbicara.
Audio yang dihasilkan dibubuhi watermark SynthID. Pilihan suara saat ini masih terbatas pada sekelompok kecil, dan suara kustom harus dihubungi lewat tim sales.
Yang belum diungkap kali ini adalah performa dalam bahasa Mandarin. OpenAI hanya menyebut dukungan bahasa dan aksen akan terus diperluas dalam beberapa bulan ke depan, tanpa memberikan daftar bahasanya. Tim yang menjalankan layanan pelanggan telepon berbahasa Mandarin perlu menguji sendiri dulu sebelum memutuskan untuk beralih.
Sumber: pengumuman resmi dan dokumentasi pengembang OpenAI untuk verifikasi harga, API, dan batas sesi bersamaan, Unite.AI, CocoLoop, serta pernyataan publik dari pelanggan seperti Yelp dan Speak; seluruh skor uji mengikuti angka yang dipublikasikan OpenAI.