پرش به محتوای اصلی
پرش به محتوای مقاله

GPT-Live-1.1: هزینه بیکار ۶۰٪ کمتر شد، بنچمارک منتشر نشد

·۳۰ آبان ۱۴۰۵۴ دقیقه مطالعه
گرافیک مقایسه نسخه‌های GPT-Live ۱.۱ در برابر ۱.۰ با برجسته‌سازی کاهش ۶۰٪ هزینه بیکار
گرافیک مقایسه نسخه‌های GPT-Live ۱.۱ در برابر ۱.۰ با برجسته‌سازی کاهش ۶۰٪ هزینه بیکار
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

نخستین مدل صوتی تجاری با حالت استندبای قابل‌تنظیم در WebRTC که هزینه بیکاری را ۶۰٪ کاهش می‌دهد، در حالی که پیشرفت‌های کیفیتی کاملاً بدون محک مستقل منتشر شده‌اند.

OpenAI مدل GPT-Live-1.1 را در API خود عرضه کرد. این مدل صوتی فول‌دوپلکس حالت استندبای جدیدی دارد که هزینه لحظه‌های بیکار در جلسات WebRTC را ۶۰ درصد کاهش می‌دهد.

مشخصات مدل و دسترسی

  • شناسه مدل: gpt-live-1.1
  • فول‌دوپلکس: هم‌زمان گوش می‌دهد و می‌گوید در یک جریان
  • پشتیبانی چندزبانه در یک جریان
  • وزن‌های باز ندارد، واریانت کوانتایز شده منتشر نشده
  • کلاینت‌ها از طریق WebRTC یا WebSocket متصل می‌شوند
  • استقرار: فقط ابری OpenAI از طریق v1/live/sessions
  • پنجرهٔ زمینه پیش‌فرض: ۱۲۸،۰۰۰ توکن

تغییرات نسبت به GPT-Live-1

OpenAI چهار حوزه بهبود برای نسخه ۱.۱ اعلام کرده است:

  • لهجه‌های طبیعی‌تر و سازگارتر در زبان‌ها
  • رونویسی گفتار دقیق‌تر
  • مدیریت بهتر جزئیات دقیق مثل حروف و اعداد
  • پیروی قابل‌اعتمادتر از دستور و تکمیل وظیفه
    همه این پیشرفت‌ها خودگزارش شده‌اند. OpenAI صفر محک برای نسخه ۱.۱ منتشر کرده است.

نحوه کارکرد GPT-Live-1.1

خانواده GPT-Live زنجیره معمول گفتار-به‌متن، مدل زبانی بزرگ و متن-به‌گفتار را با یک مدل واحد جایگزین می‌کند. OpenAI می‌گوید مدل بر روی صوت ورودی و خروجی به‌صورت همزمان استدلال می‌کند، تشخیص نوبت گفتار را انجام می‌دهد و رونویسی ASR را به‌صورت بومی برمی‌گرداند. کارهای عمیق‌تر به یک مدل متنی بک‌اند واگذار می‌شوند؛ OpenAI برای مسائل پیچیده GPT-6 Astra و برای وظایف حجم بالا Luna را نام برده است. بک‌اندهای شخص ثالث هم پشتیبانی می‌شوند.

حالت‌های واگذاری

راهنمای مکالمات زنده فیلد delegation.type را روی دو مقدار می‌گذارد:

  • client: به بک‌اند خودتان متصل می‌شود
  • responses: از مدل‌های OpenAI استفاده می‌کند
    دستورالعمل‌ها می‌توانند تا ۱۶،۳۸۴ توکن باشند. استریمینگ و فراخوانی تابع کار می‌کنند. خروجی‌های ساختاریافته، تنظیم دقیق و خروجی‌های پیش‌بینی‌شده پشتیبانی نمی‌شوند. ورودی تصویر و ویدیو پشتیبانی نمی‌شود.

مکانیزم حالت استندبای

استندبای استنتاج را در طول سکوت متوقف می‌کند در حالی که اتصال WebRTC باز می‌ماند. راهنما سه تنظیم را مستند کرده است:

  • session.wake_policy.type: روی speech تنظیم می‌شود، بنابراین استنتاج منتظر گفتار می‌ماند
  • session.idle_timeout_s: عدد صحیح از ۵ تا ۶۰ ثانیه
  • session.wake_policy.vad_threshold: اختیاری، ۰ تا ۱، پیش‌فرض ۰.۵
    پس از مهلت، سرور session.paused منتشر می‌کند. وقتی کاربر صحبت می‌کند، session.resumed فعال می‌شود. شناسه جلسه و تاریخچه حفظ می‌شوند. OpenAI هشدار می‌دهد اولین پاسخ پس از یک کلام کوتاه ممکن است کندتر باشد. مسیر میکروفون در طول استندبای باید فعال بماند. استندبای برای هر دو GPT-Live-1 و GPT-Live-1.1 کار می‌کند.

قیمت‌گذاری و استندبای در GPT-Live-1.1

حالت جلسه قیمت در دقیقه قیمت در ساعت
فعال (Active) ۰.۰۵ دلار ۳.۰۰ دلار
استندبای (Standby، WebRTC، استنتاج متوقف) ۰.۰۲ دلار ۱.۲۰ دلار
جلسات صوتی بر اساس مدت زمان صورتحساب می‌شوند (بر اساس ثانیه). استفاده از مدل بک‌اند و ابزار به‌صورت جداگانه صورتحساب می‌شود؛ یک بک‌اند سنگین می‌تواند بیشتر از لایه صوتی هزینه کند.

استقرار و در دسترس بودن

  • فقط API: یک جلسه Live موجود را با تنظیم مدل روی gpt-live-1.1 تغییر دهید (نیاز به جلسه جدید)
  • تماس خروجی SIP از ۲ نوامبر به همه سازمان‌ها رسیده، بنابراین عامل‌های تلفنی پشتیبانی می‌شوند
  • GPT-Live-1 و GPT-Live-1.1 محدودیت‌های همزمان جلسه جداگانه دارند، هر محدودیت در سراسر مناطق استنتاج اعمال می‌شود
  • صفحه ۱.۱ اعداد سهمیه (Tier) را منتشر نمی‌کند

مقایسه رقابتی

ویژگی GPT-Live-1.1 GPT-Live-1 GPT-Realtime-2.1 Gemini 3.8 Live
توسعه‌دهنده OpenAI OpenAI OpenAI Google
پارامترها فاش نشده فاش نشده فاش نشده فاش نشده
ورودی صوت، متن صوت، متن متن، صوت، تصویر متن، تصویر، صوت
خروجی صوت، متن صوت، متن متن، صوت متن، صوت
بستر (Context) ۱۲۸K پیش‌فرض ۱۲۸K پیش‌فرض ۱۲۸K، حداکثر خروجی ۳۲K ۱۳۱،۰۷۲ ورودی، ۶۵،۵۳۶ خروجی
قیمت‌گذاری ۰.۰۵/دقیقه فعال، ۰.۰۲/دقیقه استندبای ۰.۰۵/دقیقه فعال، ۰.۰۲/دقیقه استندبای ۳۲/۶۴ دلار در ۱M توکن صوتی (ورودی/خروجی) مبتنی بر توکن
صورتحساب بیکاری استندبای بله (WebRTC) بله (WebRTC) مستند نشده مستند نشده
استدلال واگذار شده به بک‌اند واگذار شده به بک‌اند درونی، تلاش قابل تنظیم استدلال درهم‌تنیده
فراخوانی تابع بله بله بله بله
خروجی ساختاریافته خیر خیر فاش نشده خیر
محک‌های منتشرشده هیچ برای ۱.۱ Full Duplex Bench +۳۰ امتیاز بر GPT-Realtime-2.1 خط پایه در آن ارزیابی مقایسه نشده
مجوز / وزن‌ها بسته، فقط API بسته، فقط API بسته، فقط API بسته، فقط API

نکات کلیدی

  • GPT-Live-1.1 در API به عنوان gpt-live-1.1 زنده است
  • استندبای صورتحساب بیکاری WebRTC را از ۰.۰۵ به ۰.۰۲ دلار در دقیقه کاهش می‌دهد
  • مهلت بیکاری از ۵ تا ۶۰ ثانیه قابل تنظیم است
  • پیشرفت‌های لهجه، رونویسی و وظیفه خودگزارش شده‌اند، بدون امتیاز
  • استدلال بک‌اند و ابزارها جداگانه از دقیقه‌های صوتی صورتحساب می‌شوند

حرکت قیمت‌گذاری مهم‌تر از ادعاهای تاییدنشده لهجه و رونویسی است، چون در عامل‌های روبروی مشتری زمان بیکار اغلب از گفتار فعال بیشتر است. بدون محک، خریداران نمی‌توانند بسنجند آیا دلتای کیفی ۱.۱ تغییر مدل را توجیه می‌کند، مخصوصاً که هزینه استدلال بک‌اند می‌تواند لایه صوتی را بپوشاند.

منتظر انتشار امتیازات Full Duplex Bench برای ۱.۱ بمانید، که به تیم‌ها اجازه می‌دهد در برابر پیشی ۳۰ امتیازی ۱.۰ بر GPT-Realtime-2.1 مقایسه کنند. توسعه‌دهندگان می‌توانند امروز استندبای را با تنظیم مدل روی gpt-live-1.1 در یک جلسه Live موجود تست کنند، هرچند تغییر مدل یک شناسه جلسه جدید می‌خواهد.

گام بعدی شما

  • اگر عامل صوتی همیشه‌آنلاین دارید، استندبای را با timeout ۳۰ ثانیه فعال کنید و صورتحساب ماهانه را رصد کنید
  • قبل از مهاجرت به ۱.۱، یک تست A/B کوچک با پرامپت‌های واقعی خودتان اجرا کنید چون محک عمومی وجود ندارد
  • هزینه بک‌اند را جداگانه محاسبه کنید — در حجم بالا، لایه استدلال می‌تواند گران‌تر از لایه صوتی شود
چرا این موضوع مهم است؟

حالت استندبای قیمت بیکاری را ۶۰ درصد کاهش می‌دهد و اقتصاد واحد عامل‌های صوتی همیشه‌آنلاین را تغییر می‌دهد. در عین حال، عدم انتشار محک برای GPT-Live-1.1 یعنی تیم‌ها نمی‌توانند بهبودهای کیفیتی را بررسی کنند و باید تمرکز را بر معماری جدا کردن لایه صوتی ارزان از لایه استدلال گران بگذارند.

تأثیر برای ایران

دسترسی مستقیم به API OpenAI برای توسعه‌دهندگان ایرانی به‌دلیل تحریم‌ها مسدود است؛ این قابلیت تنها از طریق واسطه‌ها یا میزبانی‌های شخص ثالث قابل استفاده است.

·نگاه ما
تحریریه دات‌هوش

استراتژی OpenAI مشخص است: لایه صوتی را ارزان و پیوسته نگه دارید، سپس استدلال سنگین را به مدل‌های پرهزینه بک‌اند واگذار کنید تا حاشیه سود روی توکن‌های متنی متمرکز بماند. استندبای بدون محک کیفیتی نشان می‌دهد رقابت فعلی بر اقتصاد واحد عامل است، نه بر هوشمندی مدل.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.