GPT-Live: ChatGPT ฟังและพูดพร้อมกันได้แล้ว — สถาปัตยกรรม full-duplex ที่ตัดสินใจหลายครั้งต่อวินาทีว่าจะพูด ฟัง หรือขัดจังหวะ

8 กรกฎาคม 2026 — OpenAI เปิดตัว GPT-Live โมเดลเสียงรุ่นใหม่ที่แก้ปัญหาซึ่งอยู่คู่กับผู้ช่วยเสียงมาตั้งแต่ต้น: การที่คนกับ AI ต้อง ผลัดกันพูดทีละฝ่าย

ผู้ช่วยเสียงที่ผ่านมาทำงานแบบ half-duplex คือฟังจนจบประโยค แล้วค่อยประมวลผล แล้วค่อยตอบ ผลคือจังหวะสนทนาที่ฝืน — ต้องรอให้อีกฝ่ายพูดจบ ขัดจังหวะไม่ได้ และถ้าจะขัดก็ต้องหยุดทุกอย่างแล้วเริ่มใหม่ GPT-Live ใช้สถาปัตยกรรม full-duplex ที่รับเข้าและส่งออกได้พร้อมกัน

ตัดสินใจหลายครั้งต่อวินาที

หัวใจของ GPT-Live คือโมเดลตัดสินใจหลายครั้งต่อวินาทีว่าตอนนี้ควรทำอะไร — จะพูด จะฟังต่อ จะหยุด จะขัดจังหวะ หรือจะเรียกใช้เครื่องมือ นี่ต่างจากการรอ endpoint ของประโยคแล้วค่อยเริ่มคิด

รายละเอียดที่บอกเล่าเจตนาของทีมออกแบบได้ดีคือ โมเดลใช้ คำเติมอย่าง “mhmm” เพื่อรักษาจังหวะบทสนทนา — สัญญาณว่า “ฉันยังฟังอยู่นะ” ที่มนุษย์ใช้กันโดยไม่รู้ตัว การใส่สิ่งนี้เข้าไปแปลว่าเป้าหมายไม่ใช่แค่ลด latency แต่คือทำให้ จังหวะ ของบทสนทนาเป็นธรรมชาติ

อีกจุดที่น่าสนใจเชิงสถาปัตยกรรม: เมื่อเจอคำขอที่ซับซ้อน GPT-Live จะ ส่งงานไปให้ GPT-5.5 ทำเบื้องหลัง ในขณะที่บทสนทนายังดำเนินต่อไป แทนที่จะเงียบไปรอผลลัพธ์ พูดอีกอย่างคือโมเดลเสียงตัวเล็กทำหน้าที่เป็นหน้าบ้านที่ตอบสนองไว แล้วมอบงานหนักให้โมเดลใหญ่ — เป็นรูปแบบเดียวกับที่กำลังกลายเป็นมาตรฐานของระบบ agent ยุคนี้

ใครได้ใช้ และยังขาดอะไร

• GPT-Live-1 — สำหรับผู้ใช้แบบเสียเงิน (Go, Plus, Pro)
• GPT-Live-1 mini — สำหรับบัญชีฟรี
• ใช้ได้บน iOS, Android และ ChatGPT.com

ข้อจำกัดที่นักพัฒนาต้องรู้: ยังไม่มี API ตอนเปิดตัว OpenAI บอกว่าจะเปิดให้เข้าถึงผ่าน API “เร็ว ๆ นี้” และเปิดฟอร์มให้นักพัฒนาลงชื่อขอ beta ไว้ก่อน แปลว่าถ้าคุณกำลังสร้าง voice agent อยู่ตอนนี้ ยังต่อกับ GPT-Live ไม่ได้

OpenAI อ้างถึงผลการวัดภายในบน GPQA, BrowseComp และ tau3 Voice Telecom พร้อมกับ System Card ที่ว่าด้วยมาตรการความปลอดภัยด้านเสียง — แต่ตัวเลขเหล่านั้นเป็นการวัดของผู้ผลิตเอง ยังไม่มีการตรวจสอบอิสระ

หมายเหตุการตรวจสอบแหล่งข่าว: หน้าประกาศของ OpenAI เองบล็อกการดึงข้อมูลอัตโนมัติ (ตอบ HTTP 403) เราจึงอ้างอิงรายงานของ The Decoder ซึ่งตรวจสอบเข้าถึงได้จริง และเลือก ไม่ระบุตัวเลขเบนช์มาร์ก ที่เรายืนยันจากต้นทางไม่ได้

มุมมอง AI Curator

Full-duplex คือการเปลี่ยนหมวดหมู่ ไม่ใช่การอัปเกรดสเปก ที่ผ่านมาการแข่งขันด้านเสียงวัดกันที่ latency — ใครตอบเร็วกว่ากัน แต่ latency ต่ำในระบบ half-duplex ก็ยังคือการผลัดกันพูดอยู่ดี เพียงแค่ผลัดเร็วขึ้น การที่โมเดลตัดสินใจได้หลายครั้งต่อวินาทีว่าจะพูดหรือฟัง เปลี่ยนโจทย์จาก “ตอบให้ไว” เป็น “อ่านจังหวะให้ออก” ซึ่งเป็นปัญหาคนละชั้นกัน

เราเคยเขียนถึง Grok Voice ของ xAI ที่เน้นความเร็วในการตอบเป็นจุดขาย การเคลื่อนไหวของ OpenAI ครั้งนี้บอกว่าสนามกำลังย้ายจากการวัดมิลลิวินาที ไปสู่การวัดว่าบทสนทนา “ลื่น” แค่ไหน — ซึ่งวัดยากกว่ามาก และแทบไม่มีเบนช์มาร์กสาธารณะรองรับ

สำหรับนักพัฒนาไทย มีสองประเด็นที่ควรจับตา อย่างแรกคือ การไม่มี API ตอนเปิดตัวคือสัญญาณ ว่าโมเดลประเภทนี้ยังแพงหรือยังไม่เสถียรพอจะปล่อยให้คนอื่นรันโหลด ใครที่วางแผนทำ voice agent ภาษาไทยควรมองว่านี่คือของที่ยังต้องรออีกอย่างน้อยหนึ่งรอบ

อย่างที่สองสำคัญกว่า: จังหวะการสนทนาเป็นเรื่องวัฒนธรรม สัญญาณ backchannel อย่าง “mhmm” ในภาษาอังกฤษ ไม่ตรงกับ “อืม” “ครับ” “ค่ะ” ในภาษาไทย ทั้งความถี่ ตำแหน่ง และความหมาย ยิ่งไปกว่านั้น เกณฑ์ว่าเมื่อไหร่ “ขัดจังหวะได้โดยไม่เสียมารยาท” ต่างกันชัดเจนระหว่างภาษา และในบริบทไทยยังผูกกับลำดับอาวุโสอีกชั้น โมเดล full-duplex ที่เรียนจังหวะจากบทสนทนาภาษาอังกฤษเป็นหลัก มีโอกาสสูงที่จะ “แย่งพูด” ในภาษาไทย หรือเงียบผิดจังหวะ

นี่เป็นช่องว่างที่การแปลภาษาแก้ไม่ได้ เพราะปัญหาไม่ได้อยู่ที่คำ แต่อยู่ที่ timing — และเป็นจุดที่ทีมที่ทำงานกับข้อมูลเสียงสนทนาภาษาไทยจริง ๆ จะมีของที่ผู้เล่นระดับโลกยังไม่มี

แหล่งข่าว

• ChatGPT can now listen and talk at the same time — The Decoder
• xAI เปิดตัว Grok Voice — บล็อกนี้ (27 เม.ย. 2026)