GPT‑Live‑1 API, 끼어들기 80% 줄이고 음성 코드 2만3000줄 걷어낸 구조 전환

사람이 말을 끊거나 잠시 머뭇거려도 대화를 놓치지 않는 음성 모델이 API로 열렸다. GPT‑Live‑1 공식 자료에 따르면 모델은 듣기와 말하기를 동시에 처리하는 full-duplex 방식으로 작동한다. 음성 인식, 텍스트 추론, 음성 합성을 차례로 잇는 구조에서 생기던 지연과 대화 순서 오류를 한 음성 계층으로 줄인 것이 이번 변화의 중심이다.

기존 음성 에이전트는 STT가 발화를 텍스트로 바꾸고, LLM이 답을 만든 뒤, TTS가 다시 소리로 읽는 세 단계를 주로 사용한다. 각 단계 사이에는 전달 지연이 생기며, 사용자가 답변 도중 끼어들거나 짧게 맞장구칠 때 어느 음성을 우선할지 판단하기 어렵다. GPT‑Live‑1은 들어오는 소리와 나가는 소리를 함께 추론해 이런 타이밍을 직접 다룬다.

초기 사용 사례에서는 차이가 숫자로 나타났다. 언어 학습 서비스 Speak의 평가에서 학습자가 생각할 시간을 확보하기 전에 모델이 말을 시작하는 끼어들기가 기존 순차형 시스템보다 약 80% 줄었다. 한 의료 대화 서비스는 기존 연결형 음성 구조와 비교해 코드베이스를 80% 단순화하고 2만3000줄을 제거했다고 밝혔다. 공급사 고객 사례이므로 일반화에는 추가 검증이 필요하지만, 음성 품질뿐 아니라 시스템 복잡도까지 비교한 수치라는 의미가 있다.

OpenAI 내부 평가에서 Full Duplex Bench 성능은 GPT‑Realtime‑2.1보다 30%포인트 높았다. GPT‑6 Astra를 중간 추론 수준의 백엔드로 연결했을 때는 항공, 소매, 통신 분야의 종단 간 음성 작업을 평가하는 Tau3에서 1위를 기록했다. 사용자의 멈춤, 자기 수정, 배경 대화, 짧은 응답을 포함한 상황에서 도구 호출 순서와 최종 답변을 함께 측정했다.

깊은 추론을 음성 모델 하나에 모두 맡기지는 않는다. GPT‑Live‑1은 대화를 계속 이어가면서 복잡한 추론과 도구 호출을 GPT‑6 Astra 같은 텍스트 모델이나 제3자 모델에 위임할 수 있다. 개발자는 예약과 주문 변경처럼 빈도가 높은 작업에는 가벼운 백엔드를, 복잡한 고객 문제에는 더 강한 모델을 붙여 속도와 비용을 나눌 수 있다.

API는 음성 인식 전사와 응답 텍스트를 함께 제공하며, 영문·숫자 조합 인식과 특정 단어 우선 인식도 지원한다. 시스템 프롬프트로 말투, 속도, 대화 스타일을 조절할 수 있고, 긴 세션의 맥락 유지와 배경 소음 처리도 강화됐다. 전화망 연결을 지원해 음식점 예약이나 고객 지원처럼 실제 통화가 필요한 업무에도 적용할 수 있다.

GPT‑Live‑1은 2026년 9월 10일부터 API에서 즉시 이용할 수 있다. 앞단 음성 계층 가격은 분당 0.05달러이며, 여기에 개발자가 선택한 백엔드 모델과 도구 사용료가 더해진다. 따라서 단순한 분당 단가보다 통화 성공률, 평균 통화 시간, 백엔드 호출 횟수, 사람 상담원 전환율을 묶어 비용을 계산해야 한다.

음성 에이전트의 다음 경쟁은 목소리가 자연스러운지만으로 갈리지 않는다. 겹쳐 말하기를 견디는 능력, 도구 실행 중 대화를 유지하는 방식, 실패했을 때 사람이 개입할 수 있는 기록이 더 중요해졌다. GPT‑Live‑1은 이 문제를 모델과 시스템 구조 양쪽에서 줄이는 접근이며, 실제 전화 환경의 소음과 다양한 언어에서도 공개 수치가 유지되는지가 다음 검증 대상이다.