GPT-Live 1 ขึ้น API แบบ GA ที่ $0.05 ต่อนาที — โมเดลเสียงที่ฟังและพูดพร้อมกัน แล้วส่งงานคิดให้ backend ที่เราเลือกเอง

เมื่อกรกฎาคม OpenAI เปิดตัว GPT-Live ใน ChatGPT เป็นโมเดลเสียงที่ฟังและพูดพร้อมกันได้จริงแทนการผลัดกันพูด แต่ตอนนั้นยังไม่มี API วันที่ 10 ก.ย. 2026 ช่องว่างนี้ปิดแล้ว บันทึก changelog ระบุว่า gpt-live-1 ขึ้น API แบบ generally available พร้อมเอกสารเรื่อง prompting, delegation และคู่มือย้ายจาก Realtime API

สิ่งที่นักพัฒนาได้ไม่ใช่แค่โมเดลเสียงอีกตัว แต่เป็น สถาปัตยกรรมที่แยกหน้าที่กัน GPT-Live ดูแลบทสนทนา ฟัง พูด และตัดสินใจว่าจะพูดต่อหรือหยุด ส่วนการคิด การเรียกทูล และตรรกะธุรกิจ จะถูกส่งต่อ (delegate) ให้ backend ที่เราเลือกเองได้ ผู้ใช้พูดแทรกหรือเติมรายละเอียดได้ขณะที่ backend ยังทำงานอยู่

delegation สองโหมด

• Responses delegation: GPT-Live เรียกโมเดลบน Responses API ที่เรากำหนด ส่งคอนเท็กซ์บทสนทนาไปให้ แล้วรับผลกลับมาพูด เอกสารแนะนำให้เริ่มที่ GPT-5.6 Terra หรือใช้ GPT-5.6 Luna ถ้าต้องคุมต้นทุน โหมดนี้รองรับทูลแค่ function กับ web_search และเลือก service_tier: "priority" เพื่อใช้ Fast mode ได้
• Client delegation: แอปของเรารับคำขอจาก GPT-Live แล้วไปเรียก backend อะไรก็ได้ ไม่ว่าจะเป็นโมเดลของค่ายอื่น เอเจนต์ของเราเอง หรือเซอร์วิสภายใน จากนั้นส่งผลกลับด้วย session.commentary.append (ให้พูดออกมา) หรือ session.thinking.append (ให้รู้โดยไม่พูด)

ไม่ว่าจะใช้โหมดไหน แอปของเรายังเป็นเจ้าของสิทธิ์ การยืนยัน และสถานะงาน โหมดต้องเลือกตอนสร้าง session และเปลี่ยนกลางทางไม่ได้

ราคาและข้อจำกัดที่ต้องรู้ก่อนย้าย

• $0.05 ต่อนาที เก็บรายวินาที ไม่ปัดขึ้นเป็นนาที ค่าโมเดลและทูลของ backend คิดแยก ตัวอย่างในเอกสาร: สนทนา 90 วินาทีคิด $0.075 บวกค่า backend $0.02 รวมเป็น $0.095 การสร้าง session แบบ WebRTC จะคิดเงิน 15 วินาทีระหว่างเริ่มต้น แล้วหักคืนเมื่อ session เริ่มทำงานจริง
• ใช้ได้เฉพาะ v1/live/sessions ไม่รองรับ Realtime API, Responses, Chat Completions หรือ Batch การย้ายมาจึงต้องเปลี่ยนชื่อ event ทั้งชุด เช่น input_audio_buffer.append เป็น session.input_audio.append
• อินพุตและเอาต์พุตเป็นเสียงกับข้อความ ไม่รับภาพหรือวิดีโอ รองรับ function calling แต่ไม่รองรับ structured outputs และ knowledge cutoff อยู่ที่ 31 ก.ค. 2025 ข้อนี้ไม่ค่อยสำคัญนัก เพราะความรู้ปัจจุบันควรมาจาก backend อยู่แล้ว
• rate limit นับเป็นจำนวน session พร้อมกัน: Tier 1 ได้ 25, Tier 2 ได้ 50, Tier 3 ได้ 200, Tier 4 ได้ 300, Tier 5 ได้ 500 และไม่เปิดให้ Free tier
• ใน API ยังไม่มีรุ่น mini หน้าเอกสาร gpt-live-1-mini ยังไม่มีอยู่จริง แม้ตอนเปิดตัวเมื่อ ก.ค. OpenAI จะประกาศ GPT-Live-1 mini ไว้ด้วย

กับดักที่คู่มือ migration เขียนไว้เอง

คู่มือย้ายระบบมีรายละเอียดที่ทีมทำ call center ควรอ่านก่อนเขียนโค้ด การพูดแทรกไม่ได้ยกเลิกงาน backend ให้อัตโนมัติ ผู้ใช้อาจเปลี่ยนใจกลางคัน แต่คำสั่งจองยังวิ่งอยู่ ต้องจัดการเอง ไม่มี event บอกว่าพูดจบหนึ่งช่วงแล้ว ต้องติดตามสถานะการเล่นเสียงฝั่ง client เอง และ backend ที่รับงานไปไม่ได้รับคลื่นเสียงจริง งานที่ต้องตัดสินใจจากเสียง เช่นตรวจว่าปลายสายเป็นเครื่องตอบรับอัตโนมัติหรือไม่ เอกสารแนะนำให้รัน Realtime session อีกตัวคู่ขนานไว้ฟังเสียงโดยเฉพาะ ซึ่งแปลว่าต้องจ่ายสองทาง

การเชื่อมต่อรองรับ WebRTC สำหรับเบราว์เซอร์, WebSocket สำหรับฝั่งเซิร์ฟเวอร์, sideband connection ให้ backend เฝ้า session ได้ และเส้นทางโทรศัพท์ผ่าน SIP โดยมีคู่มือสำหรับ LiveKit, Twilio, Telnyx และ Daily/Pipecat

มุมมอง AI Curator

การแยก “ปาก” ออกจาก “สมอง” เป็นการตัดสินใจเชิงสถาปัตยกรรมที่สำคัญกว่าตัวโมเดลเอง Realtime API เดิมบังคับให้โมเดลตัวเดียวทั้งฟัง คิด เรียกทูล และพูด ทำให้ต้องเลือกระหว่างเสียงที่ลื่นไหลกับเหตุผลที่ฉลาด GPT-Live ให้แยกสองอย่างนี้ออกจากกัน และ client delegation ยังเปิดให้สมองเป็นของค่ายอื่นได้ด้วย ธุรกิจที่มีเอเจนต์ข้อความบน Claude หรือบนโมเดลโอเพนซอร์สอยู่แล้ว สามารถต่อ GPT-Live เป็นแค่ชั้นเสียงได้ โดยไม่ต้องย้ายตรรกะทั้งหมดมาไว้ที่ OpenAI

$0.05 ต่อนาทีเท่ากับราว 3 ดอลลาร์ต่อชั่วโมงสนทนา ยังไม่รวมค่า backend การคิดตามเวลาแทนการคิดตามโทเคนเสียงทำให้ call center ที่นับต้นทุนต่อสายอยู่แล้วประมาณงบได้ง่ายขึ้นมาก แต่ก็แปลว่า session ที่เปิดค้างไว้เงียบ ๆ ก็เสียเงินด้วย เอกสารถึงกับเขียนว่าปิด session เร็วขึ้นหนึ่งนาทีประหยัดได้ $0.05 ทีมที่ทำ IVR จึงต้องออกแบบการวางสายให้ดี

คำถามใหญ่ของตลาดไทยคือคุณภาพภาษาไทย เอกสารของ OpenAI ไม่ได้ระบุรายการภาษาที่รองรับหรือผลวัดแยกรายภาษาไว้เลย ระบบ full-duplex ต้องตัดสินใจหลายครั้งต่อวินาทีว่าผู้ใช้พูดจบหรือยัง ภาษาที่มีวรรณยุกต์และคำลงท้ายอย่าง “ครับ” “ค่ะ” “นะ” อาจเป็นบททดสอบที่ยาก ก่อนจะวางแผนให้ GPT-Live รับสายแทนพนักงาน ควรทำ evaluation แบบ Crawl, Walk, Run ที่คู่มือแนะนำ โดยใช้เสียงคนไทยจริงจากหลายภาค ทั้งในห้องเงียบและในที่มีเสียงรบกวน

แหล่งข่าว

• GPT-Live 1 — OpenAI API model page
• OpenAI API Changelog — รายการวันที่ 10 ก.ย. 2026
• Getting started with GPT-Live — OpenAI Developers
• Migrate to GPT-Live — OpenAI Developers