GPT-Live คืออะไร

OpenAI ได้เปิดตัว GPT-Live โมเดลเสียงรุ่นใหม่ที่ขับเคลื่อน ChatGPT Voice จุดสำคัญสำหรับนักพัฒนาคือ GPT-Live ทำงานแบบ Full-duplex: ฟังและพูดได้พร้อมกัน ทำให้ประสบการณ์เสียงใกล้เคียงการสนทนาจริงมากกว่าโหมดผลัดกันพูดเดิม

ลองใช้ Apidog วันนี้

ก่อนหน้านี้ ChatGPT Voice รวมถึง Advanced Voice Mode ทำงานแบบ turn-based: ผู้ใช้พูด ระบบรอ แล้วค่อยตอบกลับ แต่ GPT-Live ประมวลผลเสียงขาเข้าพร้อมกับสร้างเสียงตอบกลับ และตัดสินใจหลายครั้งต่อวินาทีว่าจะพูดต่อ ฟังต่อ หยุดชั่วคราว ขัดจังหวะ หรือเรียกใช้เครื่องมือ ผลลัพธ์คือมันสามารถพูดตอบรับสั้นๆ เช่น “อืม” ระหว่างที่คุณอธิบาย รอเมื่อคุณกำลังคิด และกลับเข้าสู่บทสนทนาได้เมื่อคุณพูดแทรกกลางประโยค

GPT-Live โดยสรุป

รายการ	รายละเอียด
ประกาศเมื่อ	8 กรกฎาคม 2026
คืออะไร	กลุ่มโมเดลเสียงแบบ Full-duplex ที่ขับเคลื่อน ChatGPT Voice
รุ่นต่างๆ	GPT-Live-1, GPT-Live-1 mini, GPT-Live-1 Medium, GPT-Live-1 High
เบื้องหลัง	GPT-5.5 Instant สำหรับ GPT-Live-1 และ mini; GPT-5.5 Thinking สำหรับ Medium และ High
ค่าเริ่มต้นสำหรับผู้ใช้แบบชำระเงิน	GPT-Live-1
ค่าเริ่มต้นสำหรับผู้ใช้ฟรี	GPT-Live-1 mini
แพลตฟอร์ม	iOS, Android, chatgpt.com โดยทยอยเปิดตัวทั่วโลก
วิดีโอ / แชร์หน้าจอ	ยังไม่พร้อมใช้งานในการเปิดตัว
API	ยังไม่พร้อมใช้งาน; OpenAI ระบุว่าจะนำมาสู่ API “ในไม่ช้า”

โครงสร้างโมเดล: เลือกรุ่นให้เหมาะกับงาน

GPT-Live เป็นตระกูลโมเดล ไม่ใช่โมเดลเดียว OpenAI ระบุว่า GPT-Live-1 และ GPT-Live-1 mini ใช้ GPT-5.5 Instant เป็นโมเดลเบื้องหลัง ส่วน GPT-Live-1 Medium และ GPT-Live-1 High ใช้ GPT-5.5 Thinking ที่ระดับความพยายามในการให้เหตุผลปานกลางและสูง

ดังนั้นเลเยอร์เสียงคือส่วนที่จัดการ interaction แบบเรียลไทม์ ส่วน GPT-5.5 เป็นชั้นประมวลผลเหตุผลที่ซับซ้อนกว่า

แนวทางเลือกใช้งาน:

• GPT-Live-1: เหมาะกับงานเสียงทั่วไป และเป็นค่าเริ่มต้นสำหรับผู้ใช้ Go, Plus และ Pro
• GPT-Live-1 mini: เหมาะกับผู้ใช้ฟรีที่ต้องการประสบการณ์ Full-duplex
• GPT-Live-1 Medium / High: เหมาะกับคำถามที่ต้องใช้ reasoning มากขึ้น แต่ยอมแลกกับ latency ที่อาจสูงกว่า

สำหรับนักพัฒนา จุดที่ควรสังเกตคือสถาปัตยกรรมนี้แยก “เสียงที่ต้องตอบสนองเร็ว” ออกจาก “ reasoning ที่ต้องใช้เวลา” ซึ่งเป็น pattern สำคัญสำหรับการออกแบบ voice agent

แนวคิดสถาปัตยกรรม: Full-duplex + delegation

Full-duplex เป็นแค่ครึ่งหนึ่งของเรื่อง อีกครึ่งคือการมอบหมายงาน หรือ delegation

เมื่อคำถามต้องการการค้นหา การให้เหตุผล หรือความสามารถที่ซับซ้อนมากขึ้น GPT-Live สามารถส่งงานต่อให้โมเดลอื่น เช่น GPT-5.5 แล้วนำผลลัพธ์กลับมารวมในการสนทนาเมื่อพร้อม

ปัญหาคลาสสิกของ voice AI คือ:

• โมเดลที่เร็วพอสำหรับบทสนทนาเรียลไทม์ มักไม่ลึกพอสำหรับคำถามยาก
• โมเดลที่ฉลาดพอสำหรับคำถามยาก มักช้าเกินไปสำหรับประสบการณ์เสียง

GPT-Live แก้ด้วยการแยกหน้าที่:

ผู้ใช้พูด
   ↓
GPT-Live จัดการเสียงแบบเรียลไทม์
   ↓
ถ้าคำถามง่าย → ตอบทันที
ถ้าคำถามยาก → delegate ไปยังโมเดล reasoning / search
   ↓
นำผลลัพธ์กลับมาตอบในบทสนทนา

สำหรับนักพัฒนา voice agent นี่คือ pattern ที่ควรนำไปใช้:

1. ใช้โมเดล latency ต่ำสำหรับ turn-taking และ feedback สั้นๆ
2. ส่งงานหนัก เช่น search, retrieval, tool call หรือ reasoning ไปยัง service แยก
3. stream ผลลัพธ์กลับเข้าบทสนทนาเมื่อพร้อม
4. อย่าบล็อกไมค์หรือ UX ระหว่างรอผลลัพธ์

ความสามารถของ GPT-Live ในช่วงเปิดตัว

ฟีเจอร์ที่ OpenAI ระบุในช่วงเปิดตัว ได้แก่:

• การค้นหาเว็บ: delegate งานค้นหา แล้วนำผลลัพธ์กลับมาในบทสนทนา
• การแปลแบบเรียลไทม์: รองรับการแปลระหว่างภาษาในระหว่างคุย
• การ์ดแสดงผล: แสดงข้อมูลบนหน้าจอ เช่น สภาพอากาศ หุ้น และกีฬา
• การอัปโหลดรูปภาพและไฟล์: ใช้ไฟล์หรือรูปภาพประกอบการสนทนาเสียง
• หน่วยความจำ: ทำงานสอดคล้องกับระบบ memory ของ ChatGPT

ข้อจำกัดสำคัญในการเปิดตัวคือ GPT-Live ยังไม่รองรับเสียงพร้อมวิดีโอหรือการแชร์หน้าจอใน ChatGPT หาก workflow ของคุณต้องใช้กล้องหรือ screen sharing เป็นหลัก Advanced Voice Mode ยังเป็นตัวเลือกที่เหมาะกว่าในตอนนี้ รายละเอียดเพิ่มเติมดูได้ที่ GPT-Live vs Advanced Voice Mode

เกณฑ์มาตรฐานที่ OpenAI อ้างถึง

OpenAI ระบุการประเมิน 3 ชุด โดยทั้งหมดเปรียบเทียบกับ Advanced Voice Mode ไม่ใช่ผลิตภัณฑ์คู่แข่ง

GPQA

GPT-Live-1 “มีประสิทธิภาพสูงกว่าอย่างมาก” เมื่อเทียบกับ Advanced Voice Mode ในงาน reasoning ทางวิทยาศาสตร์ระดับผู้เชี่ยวชาญ ครอบคลุมชีววิทยา เคมี และฟิสิกส์

BrowseComp

OpenAI ระบุว่า GPT-Live มี “การปรับปรุงอย่างมาก” สำหรับงานค้นหาเว็บแบบเอเจนต์และข้อมูลที่หายาก

τ³-Voice Telecom

เป็น benchmark ภายในสำหรับงานสนับสนุนด้านโทรคมนาคมแบบหลายขั้นตอนที่สมจริง โดย OpenAI ระบุว่า GPT-Live ทำได้ดีขึ้น

สิ่งที่ยังไม่มีในประกาศคือคะแนนดิบ ตัวเลข latency และราคา ดังนั้นควรมอง benchmark เหล่านี้เป็นสัญญาณจาก vendor ไม่ใช่ตารางเปรียบเทียบที่สมบูรณ์ ตัวเลขเปรียบเทียบกับคู่แข่งจะชัดขึ้นเมื่อสามารถทดสอบผลิตภัณฑ์จริงได้ ดูบริบทเพิ่มเติมได้ในบทความ เปรียบเทียบ GPT-Live

สถานะสำหรับนักพัฒนา

ตอนนี้ยังไม่มี GPT-Live API ให้ใช้งาน OpenAI ระบุว่า “เราวางแผนที่จะนำ API เหล่านี้มาให้ใช้งานในไม่ช้า” และนักพัฒนากับองค์กรสามารถลงทะเบียนเพื่อรับการแจ้งเตือนได้

ถ้าคุณต้องสร้าง voice agent วันนี้ สิ่งที่มีให้ใช้งานคือ Realtime API ซึ่งรองรับ:

• ตระกูลโมเดล gpt-realtime-2.1
• การส่งข้อมูลผ่าน WebSocket
• การส่งข้อมูลผ่าน WebRTC
• SIP สำหรับโทรศัพท์
• การรองรับ MCP server

อ่านแนวทางเพิ่มเติมได้ที่ มี GPT-Live API หรือไม่? นักพัฒนาสามารถใช้อะไรได้บ้างในวันนี้ และถ้าสับสนระหว่างชื่อ GPT-Live กับ GPT-Realtime ดูบทความ GPT-Live vs GPT-Realtime

ตัวอย่าง flow สำหรับสร้าง voice agent วันนี้

แม้ยังไม่มี GPT-Live API คุณยังสามารถออกแบบระบบตาม pattern เดียวกันด้วย Realtime API ได้

Client app
  ├─ Microphone input
  ├─ WebSocket / WebRTC connection
  └─ Audio playback

Realtime backend
  ├─ ส่ง audio stream ไปยังโมเดล
  ├─ รับ event stream กลับมา
  ├─ ตรวจจับ tool call
  └─ ส่งผลลัพธ์กลับเข้า session

Tools / Services
  ├─ Search
  ├─ Database
  ├─ RAG pipeline
  └─ Business API

รายการที่ควรทดสอบตั้งแต่ต้น:

• connection lifecycle ของ WebSocket / WebRTC
• event ordering ระหว่าง audio, transcript และ tool call
• timeout เมื่อ tool ใช้เวลานาน
• fallback เมื่อโมเดลหรือ backend ตอบช้า
• interrupt handling เมื่อผู้ใช้พูดแทรก
• mock response สำหรับทดสอบ client โดยไม่ต้องเรียกโมเดลจริงทุกครั้ง

ระหว่างทำ prototype ด้วย Realtime API, Apidog ช่วยในส่วนที่ต้อง debug ซ้ำบ่อย เช่น การทดสอบ WebSocket session, ตรวจสอบ event stream และจำลอง backend เสียง เพื่อไม่ให้ทีม frontend ถูกบล็อกโดยการเชื่อมต่อกับโมเดลจริง

วิธีทดลองใช้ GPT-Live

GPT-Live กำลังทยอยเปิดใช้งานทั่วโลกบน iOS, Android และ chatgpt.com

ขั้นตอนตรวจสอบแบบเร็ว:

1. อัปเดตแอป ChatGPT เป็นเวอร์ชันล่าสุด
2. เปิดโหมด Voice
3. เริ่มสนทนาและตรวจสอบว่าโมเดลที่ใช้งานเป็น GPT-Live หรือไม่
4. ถ้ายังไม่เปลี่ยน แสดงว่าการ rollout ยังไม่ถึงบัญชีของคุณ
5. หากเป็นผู้ใช้แบบชำระเงิน ควรได้ GPT-Live-1 เป็นค่าเริ่มต้น
6. หากเป็นผู้ใช้ฟรี ควรได้ GPT-Live-1 mini เป็นค่าเริ่มต้น

คู่มือการตั้งค่าแบบละเอียด การสลับรุ่นย่อย และเส้นทาง CarPlay สำหรับทุกแผนบน iOS 26.4+ อยู่ในบทความ วิธีใช้ GPT-Live

ทำไมการเปิดตัวนี้สำคัญสำหรับนักพัฒนา

เสียงเป็นอินเทอร์เฟซ AI ที่ demo ได้ง่าย แต่ทำให้พร้อมใช้งานจริงได้ยาก เพราะการสนทนาเสียงต้องการ latency ต่ำ, interrupt handling, context ที่ต่อเนื่อง และ tool orchestration ที่ไม่ทำให้ UX สะดุด

GPT-Live สำคัญเพราะรวม 2 แนวคิดเข้าด้วยกัน:

• Full-duplex interaction: ไม่ต้องรอผลัดกันพูดแบบ walkie-talkie
• Delegation architecture: ส่งงานยากให้โมเดลหรือเครื่องมือที่เหมาะกว่า แล้วนำผลลัพธ์กลับมาคุยต่อ

สำหรับนักพัฒนา นี่คือสัญญาณว่ามาตรฐานของ voice agent จะขยับจาก “speech-to-text + chatbot + text-to-speech” ไปสู่ระบบ event-driven ที่ต้องจัดการเสียง เครื่องมือ และ context แบบเรียลไทม์

เวอร์ชันสำหรับนักพัฒนาของ GPT-Live ยังไม่พร้อมใช้งาน แต่ OpenAI ระบุว่าจะมา “ในไม่ช้า” ระหว่างนี้ Realtime API คือเส้นทางหลักสำหรับสร้างระบบเสียงที่ใช้งานได้จริง

คำถามที่พบบ่อย

GPT-Live คืออะไรในประโยคเดียว?

GPT-Live คือตระกูลโมเดลเสียงแบบ Full-duplex ของ OpenAI ที่ขับเคลื่อน ChatGPT Voice โดยสามารถฟังไปพร้อมกับพูด ให้ feedback สั้นๆ อย่างเป็นธรรมชาติ และมอบหมายคำถามยากให้โมเดลอย่าง GPT-5.5 ทำงานเบื้องหลัง

GPT-Live ฟรีหรือไม่?

ผู้ใช้ฟรีจะได้รับ GPT-Live-1 mini เป็นโมเดลเสียงเริ่มต้น ส่วนผู้ใช้แบบชำระเงิน เช่น Go, Plus และ Pro จะได้รับ GPT-Live-1

GPT-Live รองรับวิดีโอหรือการแชร์หน้าจอหรือไม่?

ยังไม่รองรับในการเปิดตัว Advanced Voice Mode ยังรองรับวิดีโอและการแชร์หน้าจอสำหรับสมาชิกที่มีสิทธิ์ และ OpenAI ระบุว่ากำลังทำงานเพื่อนำความสามารถเหล่านี้มาสู่ GPT-Live ในอนาคต

มี GPT-Live API หรือไม่?

ยังไม่มี OpenAI ระบุว่าจะนำ GPT-Live มาสู่ API “ในไม่ช้า” ตอนนี้นักพัฒนาสามารถสร้าง voice agent ได้ด้วย Realtime API

โมเดลใดขับเคลื่อน GPT-Live?

GPT-Live-1 และ GPT-Live-1 mini ใช้ GPT-5.5 Instant ส่วน GPT-Live-1 Medium และ GPT-Live-1 High ใช้ GPT-5.5 Thinking ที่ระดับ reasoning ปานกลางและสูง