คลื่นเสียงสองทิศทางในห้องเขียวเข้มไหลผ่านสะพานสนทนา ขณะสายงานอีกเส้นแยกไปเครื่องมือด้านหลังและมีคลื่นรบกวนอำพันหนึ่งจุด
aiopenaivoicerealtime

GPT-Live-1 เข้า API: Voice Agent พูดต่อได้ขณะ Backend คิด

พี่โชว์Engineering

voice agent แบบเดิมต่อ speech-to-text, LLM และ text-to-speech เป็นสามสถานีครับ ทุกจุดส่งต่อเพิ่ม latency และทำข้อมูลอย่างน้ำเสียงหรือจังหวะหายได้ เมื่อผู้ใช้หยุดคิดครึ่งวินาที ระบบอาจเข้าใจว่าพูดจบแล้วตอบแทรก

OpenAI เปิด GPT-Live-1 ใน API วันที่ 10 กันยายน 2026 เป็นโมเดล full-duplex ที่ฟังและพูดพร้อมกัน จัดการ interruption และมอบงาน reasoning/tool call ให้ backend model ได้ขณะที่บทสนทนายังเดินต่อ ราคา voice layer ที่ประกาศคือ 0.05 ดอลลาร์ต่อนาที ส่วน backend และ tool คิดแยก

WHY: การ “รู้ว่าจะพูดเมื่อไร” คือปัญหาหลัก

ระบบ turn-based ต้องใช้ silence threshold เดาว่าผู้ใช้จบหรือยัง Threshold สั้นก็ตัดบท Threshold ยาวก็ตอบช้า Full-duplex ให้โมเดลประเมินต่อเนื่องว่าจะฟัง พูด หยุด หรือ delegate จึงลดการส่งไม้ผลัดหลายครั้ง

แต่มันไม่ได้ลบ state machine ออกจากผลิตภัณฑ์ เรายังต้องกำหนดว่า tool ใดอ่านข้อมูลได้ action ใดต้องยืนยัน และถ้า backend ตอบช้า voice layer ควรพูดอะไรโดยไม่สร้างข้อเท็จจริง ทีมควรแยก “บทสนทนาเพื่อรักษาจังหวะ” ออกจาก “คำตอบที่ได้รับอนุญาต”

HOW: วัดก่อนย้าย Architecture

เก็บ baseline ของ end-of-speech ถึงเสียงตอบแรก, อัตราขัดจังหวะผิด, task success, tool error และจำนวนครั้งที่คนขอทวน จากนั้นทำ shadow หรือกลุ่ม canary ด้วยบทสนทนาที่ได้รับ consent อย่าใช้ demo ห้องเงียบแทนโทรศัพท์จริงที่มี echo, hold music และคนพูดทับกัน

delegation ต้องมี correlation ID และ deadline ถ้าผู้ใช้เปลี่ยนใจกลางทาง ให้ cancel งานเดิมหรือทำเครื่องหมายว่าผลเก่าใช้ไม่ได้ มิฉะนั้นคำตอบจากคำถามก่อนอาจกลับมาแทรกคำถามใหม่ เหมือนพนักงานหลังร้านส่งออเดอร์โต๊ะเก่าไปโต๊ะใหม่

transcript และเสียงเป็นข้อมูลส่วนบุคคล กำหนด retention, redaction และสิทธิ์ replay แยกกัน ไม่ส่งเสียงทั้งหมดไป tool เมื่อ text ที่ตัดข้อมูลอ่อนไหวแล้วเพียงพอ สำหรับ telephony ต้องทดสอบการแจ้งว่าเป็นระบบอัตโนมัติและกฎหมายบันทึกเสียงตามพื้นที่ใช้งาน

ข้อจำกัดที่ต้องบอกผู้ใช้

ราคา voice layer ไม่ใช่ total cost และ full-duplex ไม่รับประกันคำตอบถูก ความแม่นของการฟังชื่อเฉพาะ เลขบัญชี และรหัสต้องมี confirm-back ผู้ใช้ควรขัดจังหวะ ยกเลิก หรือขอคุยกับคนได้เสมอ

Recap

  • full-duplex ลดข้อจำกัดจากการรอ turn จบ
  • แยก voice timing จาก backend reasoning/tool policy
  • cancel delegation เก่าเมื่อเจตนาเปลี่ยน
  • วัด interruption และ task success บนเสียงจริง
  • กำหนด consent, retention และ human handoff

เริ่ม canary ด้วยงานอ่านข้อมูลที่ย้อนกลับได้ ก่อนเปิด action อย่างจอง ยกเลิก หรือชำระเงินครับ