Jawaban singkat: tidak. GPT-Live, keluarga model suara dupleks penuh yang OpenAI umumkan pada 8 Juli 2026, adalah fitur ChatGPT saat peluncuran. Komitmen pasti OpenAI untuk pengembang hanya ini: “Kami juga berencana untuk segera menghadirkannya ke API, dan pengembang serta perusahaan dapat mendaftar untuk diberi tahu menggunakan formulir ini.”
Tidak ada endpoint, tidak ada ID model, tidak ada harga, dan tidak ada jadwal selain “segera.”
Jika Anda sedang membangun agen suara pada kuartal ini, jangan menunggu GPT-Live API. OpenAI sudah menyediakan stack suara yang bisa dipakai sekarang: Realtime API, tersedia secara umum, dengan model terbaru yang diperbarui pada 6 Juli. Artikel ini menjelaskan apa yang bisa Anda implementasikan hari ini, bagaimana mendekati UX GPT-Live dengan stack saat ini, dan apa yang perlu disiapkan saat API GPT-Live akhirnya tersedia.
Apa yang nantinya diberikan GPT-Live
Untuk menentukan arsitektur sekarang, pahami dulu target akhirnya. Arsitektur GPT-Live memiliki dua kemampuan utama:
- Percakapan dupleks penuh. Model memproses audio masuk sambil menghasilkan output. Model dapat memutuskan beberapa kali per detik apakah harus berbicara, mendengarkan, menjeda, menyela, atau memanggil tool. Backchannel seperti “mhmm” dan “mengerti” menjadi bagian alami dari percakapan.
- Delegasi latar belakang. Saat pertanyaan membutuhkan pencarian, penalaran, atau kemampuan agen yang lebih kompleks, GPT-Live dapat mendelegasikan tugas ke model lain seperti GPT-5.5, lalu menggabungkan jawabannya kembali ke percakapan langsung.
Kedua kemampuan ini belum diekspos ke pengembang. Namun, Anda bisa mendekatinya dengan Realtime API dan pola orkestrasi yang tepat.
Apa yang bisa dibangun hari ini dengan Realtime API
Realtime API adalah opsi produksi terdekat untuk kebutuhan “GPT Live API” saat ini.
| Kemampuan | Status saat ini |
|---|---|
| Model |
gpt-realtime, gpt-realtime-1.5, gpt-realtime-2.1, gpt-realtime-2.1-mini
|
| Transport | WebSocket dan WebRTC |
| Panggilan telepon | Dukungan SIP |
| Penggunaan tool | Function calling + server MCP jarak jauh |
| Input | Audio, teks, gambar |
Harga gpt-realtime
|
$4/juta token input, $16/juta token output; tarif audio ditagih terpisah |
Dengan stack ini, Anda bisa membuat:
- speech-to-speech dalam satu model,
- round-trip latency di bawah satu detik,
- interupsi berbasis server-side voice activity detection,
- panggilan tool untuk mengambil data atau menjalankan aksi,
- integrasi telepon melalui SIP.
Referensi tambahan untuk implementasi:
Batasannya: Realtime API belum benar-benar dupleks penuh. Ini lebih tepat disebut half-duplex cepat. Model dapat menangani interupsi dengan baik, tetapi tidak berbicara sambil mendengarkan dan tidak memberi backchannel saat pengguna sedang berbicara. Celah inilah yang kemungkinan akan ditutup oleh GPT-Live API.
Cara mendekati perilaku GPT-Live dengan stack saat ini
Jika Anda ingin UX mendekati GPT-Live sebelum API resminya tersedia, gunakan tiga pola berikut.
1. Atur interupsi dengan VAD yang agresif
Gunakan server-side VAD dengan threshold yang ketat agar perpindahan giliran terasa natural.
Yang perlu diuji:
- pengguna berbicara cepat,
- pengguna berhenti sejenak untuk berpikir,
- ada noise latar belakang,
- pengguna menyela saat model sedang menjawab,
- koneksi jaringan tidak stabil.
Jangan hanya menguji dengan skrip demo. Masalah biasanya muncul pada jeda panjang, suara pelan, dan lingkungan berisik.
Contoh konfigurasi konseptual sesi:
{
"type": "session.update",
"session": {
"modalities": ["audio", "text"],
"turn_detection": {
"type": "server_vad",
"threshold": 0.5,
"prefix_padding_ms": 300,
"silence_duration_ms": 500
}
}
}
Nilai pastinya perlu disesuaikan dengan jenis aplikasi, mikrofon, dan lingkungan pengguna.
2. Buat delegasi manual ke model yang lebih kuat
Delegasi GPT-Live bisa ditiru dengan pola ini:
- Jalankan
gpt-realtime-2.1untuk loop percakapan utama. - Saat pengguna mengajukan pertanyaan sulit, trigger function call.
- Function call mengirim pertanyaan ke model yang lebih kuat, misalnya GPT-5.5 melalui API standar.
- Model suara memberi respons sementara seperti “Sebentar, saya cek dulu.”
- Setelah hasil kembali, inject hasil tersebut ke sesi realtime.
Sketsa alurnya:
sequenceDiagram
participant User
participant Realtime as gpt-realtime-2.1
participant Tool as Backend Tool
participant Strong as GPT-5.5
User->>Realtime: Pertanyaan kompleks via audio
Realtime->>Tool: function_call(query)
Realtime->>User: "Sebentar, saya cek dulu."
Tool->>Strong: Kirim query untuk penalaran
Strong-->>Tool: Jawaban
Tool-->>Realtime: Hasil tool
Realtime-->>User: Jawaban akhir via suara
Prinsip penting: pisahkan layer delegasi dari model realtime. Dengan begitu, saat GPT-Live API menyediakan delegasi native, Anda bisa mengganti implementasi tanpa menulis ulang seluruh agent.
3. Tambahkan audio pengisi saat tool berjalan lama
Karena belum ada backchannel native, beberapa tim memutar audio pendek selama tool call berjalan lama.
Contoh:
- “Oke.”
- “Saya cek sebentar.”
- “Baik, saya proses dulu.”
Ini bukan dupleks penuh sebenarnya, tetapi cukup membantu untuk mencegah percakapan terasa mati saat backend memproses permintaan.
Menguji stack realtime
Agen suara sering gagal bukan karena model, tetapi karena transport, event ordering, atau konfigurasi sesi. Karena itu, uji WebSocket/WebRTC secara eksplisit sebelum membangun UI penuh.
Di Apidog, Anda dapat menjalankan sesi WebSocket secara langsung:
- Sambungkan ke endpoint Realtime.
- Kirim event konfigurasi sesi.
- Kirim event audio.
- Pantau event server secara berurutan.
- Debug event function call, audio delta, dan session lifecycle.
Hal yang perlu diamati:
- VAD terlalu cepat aktif,
- VAD terlalu lambat mendeteksi akhir ucapan,
- event function call bercampur dengan audio delta,
- sesi mati diam-diam karena konfigurasi salah,
- token atau kredensial salah,
- format audio tidak sesuai.
Dua praktik yang berguna:
- Simpan API key sebagai environment variable di Apidog, bukan di setiap prototipe klien.
- Mock endpoint tool backend agar loop percakapan bisa diuji tanpa menyalakan semua service produksi.
Unduh Apidog gratis; pengujian WebSocket disertakan.
Saat GPT-Live API tersedia: siapkan ini dari sekarang
Berdasarkan pengumuman OpenAI, ada tiga area arsitektur yang sebaiknya Anda desain agar mudah bermigrasi.
1. Gunakan event-driven architecture
Dupleks penuh berarti event mengalir dua arah secara terus-menerus. Jangan desain sistem dengan asumsi kaku:
user_turn -> model_turn -> user_turn -> model_turn
Lebih aman gunakan event bus atau state machine yang dapat menangani:
- audio input stream,
- audio output stream,
- interruption,
- tool call,
- tool result,
- partial response,
- session update.
2. Buat layer delegasi tetap loosely coupled
Jika OpenAI nanti mengekspos delegasi sebagai primitive resmi, implementasi delegasi manual Anda seharusnya bisa diganti menjadi konfigurasi.
Pisahkan:
- realtime conversation loop,
- tool router,
- model delegation,
- response injection,
- logging dan observability.
Hindari menanam logika delegasi langsung di UI client.
3. Siapkan pemilihan varian per sesi
GPT-Live hadir di ChatGPT sebagai empat varian: Instant-backed dan Thinking-backed pada dua tingkat effort. Jika API dirilis dengan pola serupa, Anda kemungkinan perlu memilih trade-off per sesi:
- latency rendah untuk percakapan ringan,
- reasoning lebih dalam untuk pertanyaan kompleks,
- biaya lebih rendah untuk volume tinggi,
- kualitas lebih tinggi untuk task bernilai tinggi.
Jadi, simpan konfigurasi model di level sesi atau tenant, bukan hardcoded di kode aplikasi.
Keputusan implementasi
| Situasi Anda | Lakukan ini |
|---|---|
| Mengirim agen suara dalam 3 bulan ke depan | Bangun di atas gpt-realtime-2.1 sekarang; stack sudah GA dan stabil |
| Membuat prototipe untuk peluncuran akhir 2026 | Gunakan Realtime API, jaga delegasi tetap loosely coupled, dan daftar notifikasi GPT-Live |
| Kebutuhan “berbicara dengan ChatGPT” untuk konsumen | Anda tidak memerlukan API; GPT-Live sudah ada dalam produk |
| Memilih antara stack OpenAI | Baca GPT-Live vs GPT-Realtime terlebih dahulu |
FAQ
Apakah ada API GPT-Live?
Belum. GPT-Live saat ini hanya mendukung ChatGPT Voice. OpenAI mengatakan berencana membawanya ke API “segera” dan menyediakan formulir pendaftaran untuk notifikasi.
Apa API terdekat dengan GPT-Live saat ini?
Realtime API dengan gpt-realtime-2.1 atau gpt-realtime-2.1-mini: speech-to-speech, WebSocket/WebRTC, panggilan SIP, dan dukungan tool MCP, tersedia secara umum.
Bisakah delegasi GPT-Live ditiru dengan API saat ini?
Secara substansial, ya. Gunakan function calling untuk mengirim pertanyaan sulit dari model realtime ke GPT-5.5, lalu inject hasilnya kembali ke sesi realtime.
Apakah GPT-Live akan menggantikan Realtime API?
OpenAI belum mengatakannya. Untuk perencanaan, asumsi yang lebih aman adalah keduanya akan koeksis, terutama karena Realtime API sudah GA dan GPT-Live memiliki struktur varian sendiri.
Top comments (0)