Вы когда-нибудь разговаривали с AI так, чтобы он перебивал вас? Не просто ждал паузы, а вклинивался в середину фразы, уточнял, договаривал за вас — как человек, который уже понял суть. До июля 2026 это было технически возможно, но звучало кринжово: либо задержка в секунду, либо AI тупил и отвечал невпопад.
OpenAI выпустила GPT-Live-1 — и это не очередное обновление Voice Mode. Это первая по-настоящему полнодуплексная голосовая модель, работающая поверх GPT-5.5. Забудьте про «скажи слово — жди — слушай ответ». Теперь вы говорите, AI слушает, одновременно додумывает ответ, и если вы замолкаете — он уже начал говорить. А если перебиваете — он не тупит, а заканчивает фразу и переключается на вас.
Ключевая метрика: end-to-end задержка от конца фразы пользователя до начала ответа AI — менее 200 мс в режиме быстрого трека. В deep reasoning — до 600 мс, но с рефлексией.
Как работает магия? (спойлер: не через транскрипцию)
В классических голосовых пайплайнах аудио сначала превращается в текст (STT), текст обрабатывается LLM, потом синтезируется обратно (TTS). Каждый этап добавляет 300–500 мс. LiveKit, о котором мы писали в прошлом обзоре, эту схему ускорял за счёт WebRTC и параллельной обработки.
GPT-Live-1 идёт дальше: она не транскрибирует речь в текст. Модель работает напрямую с аудиотокенами — звуковыми паттернами, которые кодируются через специальный многослойный аудиокодек (на основе опыта GPT-4o audio). То, что вы говорите, сразу становится последовательностью векторов, которые GPT-5.5 обрабатывает как часть своего контекста. Результат — тоже аудиотокены, которые декодируются обратно в речь.
Это даёт две вещи:
- Полный дуплекс. Модель может «слушать» и «говорить» одновременно. Она анализирует ваш голос на лету — интонацию, паузы, эмоции — и решает, стоит ли прерывать себя или подстраиваться.
- Суб-токеновая реакция. Вместо того чтобы ждать завершения целого предложения, AI реагирует на мельчайшие акустические сигналы: вдох, колебание голоса, нерешительное «э-э-э». Он перебивает ровно тогда, когда вы сами бы перебили живого человека.
Почему это не просто «GPT-5.5 с микрофоном»
В мае 2026 OpenAI выпустила Voice Intelligence API с моделью GPT Realtime 2. Там тоже были fast track и deep reasoning, но архитектура оставалась полудуплексной: пока AI говорит, он не слышит вас. GPT-Live-1 — это первая full-duplex модель OpenAI для конечных пользователей, встроенная в ChatGPT (и скоро в API).
Главные отличия от Realtime 2:
| Параметр | GPT Realtime 2 | GPT-Live-1 |
|---|---|---|
| Дуплекс | Полудуплекс (выкл/вкл) | Полный дуплекс (постоянно) |
| Задержка (end-to-end) | 200–300 мс (fast), 1–2 с (deep) | < 150 мс (fast), < 600 мс (deep) |
| Прерывание во время речи AI | Требуется стоп-слово или пауза >1 с | Естественное, по акустическим сигналам |
| Аудиокодек | Opus (64 кбит/с) + Whisper VAD | Свой нейросетевой токенизатор (128 кбит/с) |
| Эмоциональный интеллект | Базовый (4 эмоции) | 8 модальностей: сарказм, неуверенность, радость, гнев, ирония, усталость, страх, нейтраль |
Живой пример: как работает перебивание (и почему это прекрасно)
Я тестировал GPT-Live-1 на протяжении двух дней. Самый показательный сценарий — обсуждение сложной темы, где я специально «уплывал» в сторону.
Диалог (запись из лога ChatGPT Voice):
Я: ...и поэтому я думаю, что квантовые компьютеры никогда не заменят классические для задач вроде... ну, например, сортировки базы данных из миллиарда записей...
AI (GPT-Live-1): (начинает говорить, накладываясь на последние слова) ...и это абсолютно верно, потому что кубиты не подходят для детерминированных алгоритмов с памятью. Но вы упускаете один нюанс — квантовое превосходство уже показано на задачах оптимизации.
Я (перебиваю): Стой, стой, какое превосходство? У Google же был скандал с Sycamore...
AI: (сразу, без паузы) Да, вы правы, в 2019 были завышены результаты. Но с тех пор IBM и IonQ... (я снова перебиваю)...
Я: IonQ? А что с ними?
AI: (с лёгкой улыбкой в голосе) IonQ в 2025 показали 1000 физических кубитов с рекордной точностью... и вот тут как раз интересно...
Это не выглядело как баг или глюк. AI вёл себя как живой собеседник: он не обижался, не сбивался, а подхватывал мои реплики. Единственный минус — иногда эмоциональная метка угадывалась неверно (сарказм AI принимал за серьёзность), но OpenAI обещает исправить в ближайшем патче.
Сравнение с конкурентами: кто ещё умеет full-duplex в 2026?
На середину 2026 есть три заметных альтернативы:
- MichiAI (530M параметров, 75 мс на RTX 4090) — мы писали о ней. Микро-модель, работает локально, но уступает в глубине понимания контекста. Отлично подходит для простых голосовых команд, но не для длинных обсуждений.
- PersonaPlex от NVIDIA (7B, локальный full-duplex) — разбирали в отдельной статье. Сильная эмпатия, поддержка персонажей, но не хватает ширины знаний GPT-5.5.
- Пайплайны на базе LiveKit + Whisper + Llama — гибкие, open-source, но сборка требует инженерного труда, а качество диалога всё равно уступает native full-duplex из-за задержек на стыке компонентов.
GPT-Live-1 выигрывает за счёт единого сквозного обучения (end-to-end audio + language). Но платить придётся либо деньгами (ChatGPT Plus/Pro, или через API, который ещё не опубликован), либо зависимостью от облака. Локально такую модель не запустить — размер весов GPT-5.5 превышает 2 ТБ.
Кому реально нужен GPT-Live-1 (и кому он не нужен)
Давайте честно: не всем нужен полный дуплекс. Если вы используете голосового ассистента только для коротких команд («поставь таймер», «какая погода?») — разницы с обычным Voice Mode вы не заметите. А переплата за Pro ($200/мес) сомнительна.
Но есть сценарии, где GPT-Live-1 заменяет живого человека:
- Репетиторство и обучение — студент говорит с перерывами, AI договаривает мысль, мягко поправляет, даёт подсказки в реальном времени. Никаких пауз на «обработку».
- Техподдержка (особенно эмоциональная) — клиент нервничает, перебивает, AI не тупит, а подстраивает тон. Уже сейчас компании вроде Level-3 тестируют GPT-Live-1 для горячих линий.💡Хотите попробовать GPT-Live-1 через API до официального релиза? AITunnel предоставляет стабильный шлюз к OpenAI, включая новейшие модели — уже сейчас можно тестировать доступ через их прокси.
- Переговоры и синхронный перевод — GPT-Live-1 переводит живую речь с сохранением интонаций, причём может вклиниться с уточнением, если что-то непонятно. Это не просто «live translation», а полноценный диалоговый перевод.
- Драматургия и видеоигры — NPC, который реагирует на ваши реплики в реальном времени, перебивает, злится или смеётся. Разработчики уже интегрируют его через Unreal Engine 5.5.
Технические нюансы: latency_reasoning, VAD и стабильность
Как и в GPT Realtime 2, в GPT-Live-1 есть параметр latency_reasoning (fast / deep). Но теперь он влияет не только на задержку, но и на степень перебиваемости:
- Fast — AI отвечает мгновенно, но если вы перебьёте, он может оборвать фразу на полуслове (не всегда плавно). Задержка 120-200 мс.
- Deep — AI размышляет дольше, обдумывает контекст, но когда начинает говорить — его почти невозможно сбить с мысли: он вежливо заканчивает предложение, даже если вы перебили. Задержка 400-600 мс.
Я тестировал в разных условиях: на улице с шумом, в машине, с эхом. VAD (детектор активности речи) справляется отлично — модель не отвлекается на посторонние звуки, но реагирует на целенаправленное обращение. Провал случался только когда два человека говорили одновременно: AI путался, кто главный. OpenAI обещает в следующем обновлении поддержку нескольких источников (multi-stream), но пока что модель заточена на одного пользователя.
Важно: для работы GPT-Live-1 требуется версия ChatGPT 5.0+ и подписка не ниже Plus. На бесплатном тарифе модель недоступна — там остаётся обычный Voice Mode на базе GPT-4o.
Что дальше? Прогноз к концу 2026
OpenAI уже анонсировала GPT-Live-2 на сентябрь. Главная фишка — поддержка многопользовательских разговоров (как в том локальном прорыве с несколькими AI-персонажами, о котором мы писали). Только на этот раз не локально, а облачно. Интеграция с LiveKit станет ещё глубже: SFU будут маршрутизировать аудио от нескольких участников в один поток для модели.
Мой совет: если вы разработчик голосовых интерфейсов — начинайте сейчас писать под GPT-Live-1 API (пока он в ограниченном бета-тесте). Те, кто не успеет адаптироваться к full-duplex парадигме, к 2027 году будут выглядеть как звонильные роботы 2010-х.
Если же вы обычный пользователь — просто включите GPT-Live-1 в ChatGPT и почувствуйте, как разговор перестаёт быть «вопрос-ответ» и становится настоящей беседой. Возможно, впервые в истории с AI.
