语音交互的下一站不是更自然的音色，而是更接近人类的对话节奏。OpenAI 把全双工语音能力开放成了 API。
发生了什么
OpenAI 发布了名为 GPT-Live-1 的开发者 API，核心卖点是“全双工”（full-duplex）：模型可以一边说话一边聆听，而不是在“听”和“说”两种状态之间来回切换。
据 The Decoder 报道，该模型在交互性测试中得分 80.1%，而上一代仅为 45.4%。价格方面，调用成本为每分钟 0.05 美元。
为什么重要
要理解这次升级，得先看清传统语音助手的结构性缺陷。无论是电话客服机器人还是早期的实时语音 API，底层大多是“半双工”的：用户说完，系统才开始处理；系统说话时，麦克风基本处于关闭或忽略状态。这带来两个后果——一是无法被打断，二是无法在对方说话时给出“嗯”“我在听”这类反馈。对话因此变得像对讲机，而不是交谈。
全双工要解决的正是这个节奏问题。模型需要同时处理输入与输出流，判断何时该插话、何时该停顿、何时该让步。交互性测试分数从 45.4% 到 80.1% 的跃升，说明这一能力已从“勉强可用”跨入“可以拿来做产品”的区间。
对 OpenAI 而言，这也是语音栈的一次定位调整：语音不再只是文本模型的输入输出外设，而是一个独立的、面向实时交互的模型品类。
影响与看点
对开发者来说，最直接的变化是产品形态的解锁。全双工让“可打断的语音助手”“实时同传”“语音陪伴类应用”这类此前受限于延迟和轮次机制的场景，第一次有了相对成熟的 API 支撑。
但成本是绕不开的门槛。每分钟 0.05 美元意味着每小时约 3 美元，长时间在线的语音应用（客服、陪伴、会议记录）会迅速累积开销。这会迫使开发者做取舍：是全程保持全双工连接，还是只在关键交互段落启用。
另一个值得观察的点是评测口径。80.1% 的“交互性测试”具体衡量什么、由谁定义，报道中并未展开。交互性是主观体验很强的维度，单一分数不足以说明真实对话中的表现，尤其是多人环境、噪声环境和口音差异下的鲁棒性。
一个独立判断：全双工是语音交互从“能用”走向“像人”的必要条件，但不是充分条件。真正决定产品成败的，仍是在具体场景里对打断、沉默和话题切换的处理是否得体——而这部分，API 只能提供能力，无法替开发者做设计。
