GPT-Live-1 arriva nell’API: OpenAI apre la voce full-duplex agli sviluppatori

OpenAI ha aperto GPT-Live-1 agli sviluppatori. Dopo aver debuttato dentro ChatGPT a luglio, il modello vocale full-duplex che ascolta e parla nello stesso momento è ora disponibile nell’API, al prezzo di 0,05 dollari al minuto per il solo strato vocale. È un passaggio che porta la voce naturale di ChatGPT fuori dal prodotto consumer e la mette nelle mani di chi costruisce applicazioni, assistenti telefonici e flussi di lavoro aziendali.

Il messaggio di OpenAI è diretto: la voce non è più un accessorio incollato sopra un chatbot, ma un livello a sé, progettato per reggere conversazioni vere, con pause, interruzioni e cambi di direzione.

Che cos’è GPT-Live-1 e perché arriva adesso nell’API

GPT-Live è la generazione di modelli vocali che OpenAI aveva presentato a luglio, quando aveva rinnovato la modalità vocale di ChatGPT con un sistema capace di ascoltare e parlare contemporaneamente. Da allora quel modello alimenta le conversazioni vocali dell’app usata ogni settimana da oltre 150 milioni di persone. Quello che mancava era il tassello per gli sviluppatori, cioè la possibilità di prendere lo stesso motore e cucirlo dentro un prodotto proprio.

Adesso quel tassello è arrivato. Con la versione API, OpenAI non si limita a esporre il modello: aggiunge una serie di controlli pensati per chi deve adattare l’esperienza vocale al proprio caso d’uso, dalla prenotazione di un tavolo al supporto clienti su una linea telefonica.

La differenza chiave sta nell’architettura. GPT-Live-1 gestisce ascolto e parlato in un solo modello, che ragiona insieme sull’audio in entrata e su quello in uscita.

Perché il full-duplex batte la vecchia pipeline vocale

Per capire la portata del cambiamento conviene ricordare come funzionavano gli assistenti vocali fino a poco tempo fa. Lo schema classico incatenava tre modelli distinti: uno di riconoscimento vocale che trascriveva le tue parole, un modello linguistico che elaborava la risposta e infine un modello di sintesi che riconvertiva il testo in voce. Ogni passaggio aggiungeva ritardo e introduceva punti in cui il senso, il ritmo o la tempistica della conversazione potevano perdersi.

C’era poi il problema dei turni. I modelli vocali di seconda generazione lavoravano dentro un unico sistema, ma restavano ancorati a una logica a turni: il modello doveva aspettare che tu finissi di parlare prima di rispondere. Bastavano una breve esitazione o un rumore di fondo perché il sistema scambiasse la pausa per la fine del tuo turno e ti interrompesse nel momento sbagliato.

GPT-Live-1 rompe questo schema. Elaborando l’audio in modo continuo, il modello decide molte volte al secondo se parlare, se continuare ad ascoltare, se fare una pausa o se intervenire. Il risultato è una conversazione che assomiglia molto di più a quella tra due persone.

Per lo sviluppatore c’è anche un vantaggio pratico non da poco: sparisce la fatica di orchestrare a mano i tre stadi della vecchia pipeline e di gestire cosa succede quando l’utente interrompe, si ferma o cambia idea. Tutto questo ora vive dentro un solo modello.

La delega del ragionamento: la voce davanti, il modello potente dietro

Il secondo pilastro di GPT-Live-1 è la delega. Il modello vocale si occupa dell’interazione continua, cioè del sentire e del rispondere in tempo reale, ma quando serve un ragionamento più profondo passa il compito a un modello di testo che lavora sullo sfondo. Mentre quel lavoro procede, la voce continua a dialogare con te e a tenere vivo il filo del discorso.

Qui la scelta è nelle mani di chi sviluppa. GPT-Live-1 può delegare ragionamento e chiamate agli strumenti a un modello di backend come GPT-6 Astra, oppure a un modello di terze parti. Un’azienda può abbinare la voce a un modello rapido ed economico per compiti ad alto volume, come aggiornamenti sugli ordini o prenotazioni, e riservare il modello più capace ai casi complessi che richiedono davvero un ragionamento articolato.

Questa separazione tra chi conversa e chi ragiona ha una conseguenza interessante. La stessa infrastruttura vocale può appoggiarsi ai modelli più recenti man mano che escono, senza dover ricostruire l’intero sistema. La voce resta stabile, l’intelligenza dietro può crescere.

Non è un caso che OpenAI mostri l’integrazione con i suoi strumenti per sviluppatori. Il modello può dialogare con agenti e ambienti di lavoro come Codex e ChatGPT Work, aprendo la strada ad assistenti vocali che non si limitano a rispondere, ma agiscono su codice, documenti e sistemi aziendali.

I numeri dichiarati da OpenAI

Sul fronte dei benchmark, OpenAI dichiara che GPT-Live-1 migliora di 30 punti percentuali le prestazioni sul Full Duplex Bench rispetto a GPT-Realtime-2.1, con guadagni marcati sulla latenza di turno e sul comportamento interattivo. Abbinato a GPT-6 Astra con sforzo di ragionamento medio, il modello si piazza inoltre al primo posto su Tau3, il test che misura l’intelligenza dei migliori agenti vocali su compiti completi.

Al di là dei punteggi, sono i risultati raccontati dai primi clienti a dare la misura concreta. La piattaforma di apprendimento linguistico Speak riferisce che GPT-Live-1 ha ridotto di quasi l’80 per cento le interruzioni durante le pause di riflessione degli studenti, rispetto ai sistemi a turni usati prima. In pratica il tutor lascia allo studente il tempo di pensare, invece di intromettersi.

C’è poi il tema della semplificazione tecnica. Un’azienda che ha adottato il modello racconta di aver ridotto la propria base di codice dell’80 per cento, eliminando 23mila righe di codice rispetto alla vecchia architettura a stadi concatenati. Meno codice significa meno punti di rottura e più tempo per curare l’esperienza.

Anche Yelp, che usa GPT-Live-1 per rispondere alle chiamate su prenotazioni e ordini, segnala miglioramenti nella gestione delle telefonate e nota che le persone al telefono parlano in modo più naturale e disteso, segno che dall’altra parte l’esperienza è cambiata davvero.

Voci nuove, telefonia e controllo fine

La versione API porta con sé anche più libertà creativa. OpenAI amplia la gamma delle voci disponibili, passando da un piccolo insieme di voci in tempo reale a una selezione più ricca per accenti, dialetti e lingue. Lo sviluppatore può scegliere una voce che suoni coerente con il proprio prodotto e con le persone che lo useranno.

Il controllo non si ferma al timbro. Attraverso il prompt di sistema è possibile modellare tono, ritmo e stile della conversazione, così che un assistente possa risultare più formale o più amichevole a seconda del contesto.

Ci sono poi funzioni pensate per l’uso reale. Il modello gestisce meglio il rumore di fondo e i silenzi senza interrompere la conversazione né raccontare ad alta voce ogni passaggio, mantiene il contesto lungo le sessioni prolungate e offre un buon riconoscimento di sequenze alfanumeriche, utile quando si dettano codici o numeri. GPT-Live-1 fornisce inoltre in modo nativo le trascrizioni e il testo delle risposte, e supporta il rilevamento dei turni per chi preferisce ragionare ancora per confini netti tra domanda e risposta.

Il capitolo più concreto per molte imprese è però la telefonia. Il full-duplex consente di mettere in produzione agenti vocali che rispondono al telefono, dalle prenotazioni di un ristorante al supporto clienti, con un ritmo che finalmente ricorda quello di una vera telefonata.

Le domande aperte su affidabilità e sicurezza

Affidare la voce di un’azienda a un modello che ascolta e parla in tempo reale alza l’asticella sul piano della fiducia. Una conversazione telefonica non ammette molti errori, e il tema della verifica dei contenuti generati resta centrale. Non a caso, sullo stesso GPT-Live OpenAI aveva già introdotto la filigrana SynthID applicata all’audio, per rendere riconoscibili le voci prodotte dall’AI.

Restano da osservare sul campo aspetti come la gestione dei casi limite, la qualità nelle lingue meno diffuse e il comportamento quando la conversazione si fa emotivamente delicata. Sono terreni in cui la naturalezza, di per sé un pregio, può diventare un rischio se non è accompagnata da controlli robusti.

Cosa cambia per chi costruisce prodotti vocali

La disponibilità di GPT-Live-1 nell’API segna un punto di svolta per il settore degli assistenti vocali. Per anni la voce naturale è stata un privilegio dei grandi prodotti consumer, difficile da replicare per chi non aveva un team dedicato a incollare insieme trascrizione, ragionamento e sintesi. Ora quel livello arriva pronto all’uso, con un prezzo dichiarato e la libertà di scegliere quale modello mettere dietro alla conversazione.

Se sviluppi software o segui l’evoluzione dell’AI applicata, questo è il momento giusto per capire come funziona il paradigma full-duplex e come si combina con i modelli di ragionamento. La voce sta smettendo di essere una semplice interfaccia e sta diventando un modo per far agire l’AI nel mondo reale, al telefono come dentro le applicazioni. Puoi approfondire i dettagli tecnici e i prezzi direttamente nell’annuncio ufficiale di OpenAI e iniziare a immaginare dove una conversazione davvero naturale potrebbe fare la differenza nel tuo progetto.