GPT-Live 1 w API. Cena, działanie i ograniczenia głosowego modelu OpenAI

Czym jest GPT-Live 1

GPT-Live 1 to model przeznaczony do rozmów głosowych w czasie rzeczywistym. Według dokumentacji OpenAI potrafi jednocześnie słuchać i mówić, dzięki czemu naturalniej reaguje na wtrącenia rozmówcy. Taki tryb nazywa się full-duplex, w odróżnieniu od klasycznego modelu, w którym strony mówią na zmianę.

Model przyjmuje dźwięk i tekst, a odpowiada dźwiękiem i tekstem. Nie obsługuje obrazów ani wideo. Według mediów branżowych, m.in. serwisu Unite.AI, ten sam system od 8 lipca 2026 roku napędza ChatGPT Voice, a wrześniowa premiera udostępnia go zewnętrznym aplikacjom.

Jak działa podział na głos i zaplecze

Najważniejsza zmiana dotyczy architektury. GPT-Live zajmuje się rozmową: słucha, mówi i decyduje, kiedy przekazać zadanie dalej. Wyszukiwanie informacji, rozumowanie i wywołania narzędzi wykonuje osobny model zaplecza, a OpenAI nazywa to przekazywanie delegacją.

Dokumentacja opisuje dwa tryby delegacji. W pierwszym, opartym na Responses API, OpenAI uruchamia model zaplecza i przekazuje mu kontekst rozmowy. W drugim, delegacji po stronie klienta, firma sama kontroluje kontekst, wykonanie i wyniki we własnej infrastrukturze. Tryb wybiera się przy tworzeniu sesji, a jego zmiana wymaga nowej sesji.

• WebRTC - do aplikacji głosowych w przeglądarce.
• WebSocket - do integracji dźwięku po stronie serwera.
• SIP - do obsługi połączeń telefonicznych.
• Kanał sideband - dodatkowy WebSocket do monitorowania i sterowania sesją z backendu.

Nowe głosy i tworzenie głosu z opisu

Od 16 października 2026 roku wszyscy klienci API mogą tworzyć własny głos dla GPT-Live na podstawie opisu tekstowego. OpenAI nazywa tę funkcję prompt-to-voice. Wystarczy opisać barwę, tempo i charakter głosu w zapytaniu do endpointu v1/audio/voices albo w Playground. Utworzenie głosu jest bezpłatne, a generowanie mowy jest rozliczane według zwykłej stawki sesji, czyli 0,05 USD za minutę, około 0,19 zł po kursie NBP z 16 października 2026 roku.

Tego samego dnia OpenAI dodało dziewięć nowych wbudowanych głosów. Lista obejmuje teraz 21 głosów: 10 angielskich, 3 niemieckie, 2 francuskie, 2 portugalskie, 2 japońskie, 1 hindi i 1 koreański. Głos wybiera się przy tworzeniu sesji i nie można go zmienić w trakcie rozmowy. Dzień wcześniej GPT-Live otrzymał też integrację z Decisions API, która pozwala aplikacji działać jeszcze w trakcie wypowiedzi użytkownika.

• Nowe głosy niemieckie: Nuri, Juni, Flitz. Francuskie: Brise, Sillage.
• Pozostałe nowe głosy: Nira (hindi), Harema i Shida (japoński), Noeul (koreański).
• Organizacja może mieć do 100 głosów stworzonych z opisu, wliczając głosy tworzone przez aplikację dla jej klientów.
• Głosy z opisu działają tylko w GPT-Live, nie w Text to Speech, Realtime API ani Chat Completions.
• Tworzenie głosów przez v1/audio/voices nie jest zgodne z trybem Zero Data Retention, czyli bez przechowywania danych po stronie OpenAI.

Zasady korzystania z własnych głosów

OpenAI zabrania tworzenia głosów, które naśladują konkretne osoby, postacie publiczne lub fikcyjne. Niedozwolone są też głosy dziecięce. Firma wymaga, aby słuchacz wiedział, że rozmawia z mową wygenerowaną przez AI, a znaczniki pochodzenia treści nie mogą być usuwane. Dokumentacja zastrzega, że stworzony głos nie ma gwarancji unikalności.

Klonowanie głosu z nagrania to osobna funkcja, dostępna tylko dla wybranych klientów po kontakcie z działem sprzedaży. Wymaga nagrania zgody właściciela głosu, który czyta ustaloną formułę. Formuła istnieje w 16 językach, w tym po polsku. Według dokumentacji gpt-live-1 obsługuje jednak głosy własne z akcentem angielskim, więc sklonowany głos w rozmowie po polsku trzeba przetestować przed wdrożeniem.

Ile kosztuje GPT-Live 1 w złotych

Cena GPT-Live 1 wynosi 0,05 USD za minutę sesji głosowej. OpenAI rozlicza czas co sekundę, bez zaokrąglania do pełnej minuty. Do tej kwoty trzeba doliczyć koszt modelu zaplecza i narzędzi, który zależy od wybranego modelu i liczby tokenów.

Poniższe przeliczenia oparto na średnim kursie NBP z 25 września 2026 roku (1 USD = 3,8404 zł). Ceny API nie zawierają VAT.

• 1 minuta rozmowy: 0,05 USD, około 0,19 zł.
• 1 godzina rozmowy: 3 USD, około 11,52 zł.
• 1000 minut miesięcznie, np. mała infolinia: 50 USD, około 192,02 zł plus koszt zaplecza.
• Model zaplecza i narzędzia: według cennika wybranego modelu, rozliczane osobno.

Czym GPT-Live różni się od Realtime API

W Realtime API jeden model prowadzi rozmowę i jednocześnie wybiera funkcje. GPT-Live rozdziela te role, więc prompt trzeba podzielić między warstwę głosową i zaplecze. OpenAI zaleca migrację firmom, które chcą oddzielić rozmowę od logiki biznesowej albo wykorzystać istniejącego agenta.

Zmieniają się też zdarzenia w API, na przykład przesyłanie dźwięku i transkrypcje. Według przewodnika migracji GPT-Live nie ma odpowiednika zdarzenia sygnalizującego koniec każdej wypowiedzi. Starsze modele z rodziny gpt-realtime nadal są dostępne w katalogu OpenAI.

Ograniczenia i niewiadome

GPT-Live 1 ma kilka ograniczeń, które trzeba uwzględnić przed wdrożeniem. Część z nich wynika z dokumentacji, a część z braku informacji.

W ocenie redakcji dailyAI największym ryzykiem jest kontrola treści. Skoro model mówi w trakcie słuchania, filtr bezpieczeństwa musi działać równolegle z odtwarzaniem, a nie przed nim.

• Brak obsługi structured outputs, fine-tuningu i predicted outputs.
• Model działa tylko przez endpoint Live, nie przez Chat Completions, Responses ani Batch.
• Wiedza modelu kończy się na 31 lipca 2025 roku, więc aktualne dane musi dostarczać zaplecze.
• Dokumentacja nie podaje listy języków rozmowy ani maksymalnej długości sesji. Wśród 21 wbudowanych głosów nie ma polskiego.
• Delegacja nie przekazuje automatycznie dźwięku do zaplecza, co utrudnia decyzje zależne od tonu głosu.

Znaczenie dla firm w Polsce

Dla polskich firm GPT-Live 1 jest kandydatem do infolinii, rejestracji wizyt i asystentów sprzedaży. Dokumentacja, którą sprawdziliśmy 16 października 2026 roku, nie potwierdza jednak listy obsługiwanych języków, a wśród wbudowanych głosów nie ma polskiego. Jakość rozmowy po polsku trzeba więc przetestować samodzielnie, także na głosie stworzonym z opisu. Źródła nie podają też informacji o przetwarzaniu danych w UE dla sesji Live.

Przykład: przychodnia z 3000 minut rozmów miesięcznie zapłaci za warstwę głosową około 150 USD, czyli około 576 zł netto. Do tego dochodzi model zaplecza, np. GPT-6 Luna do prostych pytań. Rozmowy głosowe zawierają dane osobowe, więc przed wdrożeniem trzeba ocenić podstawę przetwarzania i umowę powierzenia danych.

Firma, która już korzysta z Gemini, może porównać oba rozwiązania na tych samych scenariuszach rozmów. Liczy się rozpoznawanie polskich nazw, numerów i adresów, a nie sama cena minuty.