OpenAI uruchomiło 8 lipca 2026 roku GPT-Live-1 i GPT-Live-1 mini — nową generację modeli konwersacyjnych opartych na architekturze pełnego dupleksu. Modele zastępują Advanced Voice Mode w ChatGPT i po raz pierwszy w ofercie firmy mogą jednocześnie słuchać i mówić, eliminując sztywny rytm przerywanych tur charakterystyczny dla poprzednich generacji interfejsów głosowych.
Najważniejsze w skrócie
- GPT-Live-1 mini staje się domyślnym modelem głosowym dla użytkowników Free, GPT-Live-1 — dla płatnych poziomów Go, Plus i Pro
- Architektura pełnego dupleksu: model przetwarza wejście i generuje wyjście jednocześnie, podejmuje decyzje wiele razy na sekundę
- GPT-Live deleguje zapytania wymagające wyszukiwania lub rozumowania do GPT-5.5 działającego w tle, kontynuując rozmowę
- Z funkcji głosowych ChatGPT korzysta ponad 150 milionów użytkowników tygodniowo
- Demo w języku hindi ujawniło silny amerykański akcent — firma przyznaje, że nie wszystkie języki są w pełni obsługiwane
Trzy generacje architektury głosowej
Poprzednie generacje głosowych interfejsów ChatGPT działały w modelu kaskadowym: mowa użytkownika trafiała do modelu STT (speech-to-text), stamtąd do LLM generującego odpowiedź, a następnie do modelu TTS (text-to-speech). Każde ogniwo tej sekwencji dokładało latencję i potencjalnie gubiło informacje — szczególnie ton głosu, emocje i kontekst dźwiękowy. Rezultat był funkcjonalny, ale brzmiał jak robot.
Advanced Voice Mode zredukował ten problem, przetwarzając audio w jednym modelu bez pośrednich kroków tekstowych. Latencja spadła, rozmowa stała się płynniejsza. Wada pozostała jednak: system działał w trybie tur — model czekał, aż użytkownik umilknie, po czym zaczynał odpowiadać. Detekcja końca tury oparta na ciszy prowadziła do nieoczekiwanych przerywań przy krótkich pauzach do namysłu lub hałasie w tle.
GPT-Live-1 wprowadza pełny dupleks: model przetwarza wejście i generuje wyjście jednocześnie, podejmując decyzje o mówieniu, słuchaniu, pauzowaniu lub przerwaniu wiele razy na sekundę. Użytkownik może wchodzić w słowo, zawieszać głos, wznawiać myśl — system nie wchodzi w słowo przy naturalnych pauzach. OpenAI testowało modele pełnego dupleksu w kolejnych iteracjach Advanced Voice Mode od 2025 roku — GPT-Live to pierwsza publiczna wersja, która ma to jako podstawową architekturę.
| Generacja | Jak działa | Ograniczenie |
|---|---|---|
| Model kaskadowy | STT → LLM → TTS (trzy osobne modele) | Latencja, utrata tonu i emocji |
| Advanced Voice Mode | Jeden model audio, tryb tur | Przerwania przy pauzach i hałasie |
| GPT-Live-1 (pełny dupleks) | Wejście i wyjście jednocześnie | Brak sztywnych tur |
Delegowanie do GPT-5.5 i integracja z modelami frontierowymi
Kluczowy element architektoniczny to separacja między modelem głosowym a modelem wnioskowania. GPT-Live-1 obsługuje ciągłą interakcję, ale gdy pytanie wymaga wyszukiwania w sieci, głębszego rozumowania lub zadań agentowych, deleguje je do GPT-5.5 działającego w tle. Rozmowa jest kontynuowana — model może podtrzymywać small talk lub proste odpowiedzi — a wynik z GPT-5.5 wraca do konwersacji gdy jest gotowy.
Taka architektura rozwiązuje problem, który trapił poprzednie generacje voice AI: zbyt „głupi", by odpowiadać na złożone pytania, albo zbyt wolny, by utrzymać naturalny rytm rozmowy. GPT-Live-1 może prowadzić swobodną konwersację przez kilkanaście minut i w dowolnym momencie sięgnąć po pełną moc GPT-5.5, gdy temat tego wymaga.
Atty Eleti, szef produktu ChatGPT Voice, powiedział podczas briefingu prasowego, że prowadził rozmowy z modelem trwające 30–40 minut podczas spacerów. OpenAI uważa, że głos stanie się podstawowym interfejsem do złożonych, długotrwałych zadań agentowych — nie tylko do dyktowania wiadomości czy ustawiania przypomnień.
Bezpieczeństwo, ograniczenia i dostępność
GPT-Live przeszedł dedykowane testy bezpieczeństwa dla głosu, obejmujące audio-natywne ewaluacje skupiające się na samookaleczeniu, nadmiernej zależności emocjonalnej od AI, treściach dla dorosłych i przemocy. OpenAI wbudowało mechanizmy real-time — system może korygować model w trakcie generowania, jeśli wykryje potencjalnie niebezpieczne wyjście, włącznie z przekierowaniem do infolinii kryzysowych.
Modele są zoptymalizowane dla najpopularniejszych języków ChatGPT, ale firma nie opublikowała listy. Demo w języku hindi pokazało wyraźny amerykański akcent i sztuczne brzmienie — co OpenAI wprost przyznało jako obszar wymagający poprawy. Na starcie GPT-Live nie obsługuje wideo ani udostępniania ekranu — te funkcje pozostają w starszych wariantach.
GPT-Live jest dostępny od 8 lipca 2026 globalnie przez iOS, Android i ChatGPT.com. Wersja API dla deweloperów jest w przygotowaniu — zainteresowani mogą zapisać się do kolejki powiadomieniowej.
Dlaczego to ważne?
GPT-Live to nie aktualizacja UX — to zmiana paradygmatu interakcji. Poprzednie wersje głosowe odpowiadały na preferencję mówienia zamiast pisania. Pełny dupleks idzie dalej: odpowiada na fakt, że naturalna rozmowa nie ma jednego nadawcy i jednego odbiorcy w danym momencie. Dla 150 milionów użytkowników tygodniowo to natychmiastowa zmiana jakości. Dla firm to zapowiedź kategorii produktów, których dotychczas nie dało się zbudować: asystentów głosowych z frontierową inteligencją w czasie rzeczywistym.
Rywale — Apple i Amazon — zaktualizowali swoje asystenty w kierunku naturalnej konwersacji i lepszego kontekstu, ale żaden z nich nie opublikował porównywalnej architektury pełnego dupleksu zintegrowanej z modelem frontierowym. Startupy jak Sesame (założone przez Brendana Iribe, współtwórcę Oculus) próbowały podobnych rozwiązań w mniejszej skali, ale bez ekosystemu ChatGPT i bez backendowego dostępu do GPT-5.5.
Co dalej?
- API dla GPT-Live zapowiedziane — deweloperzy i przedsiębiorstwa mogą zapisywać się do kolejki powiadomień
- Wsparcie dla wideo i udostępniania ekranu zapowiedziane bez podanego terminu — dostępne tymczasowo w starszych wariantach
- OpenAI zadeklarowało ciągłą aktualizację modelu delegowanego przez GPT-Live wraz z kolejnymi generacjami GPT-5.x
Źródła
- OpenAI — Introducing GPT‑Live
- TechCrunch — OpenAI releases new voice models for more natural live conversations
