OpenAI porta GPT-Live-1 nelle API a 0,05 dollari al minuto

OpenAI ha reso disponibile GPT-Live-1 nella sua API, portando agli sviluppatori il modello vocale full-duplex già introdotto in ChatGPT Voice. La novità, annunciata il 10 settembre 2026, permette di costruire applicazioni vocali capaci di ascoltare e parlare nello stesso momento, gestire interruzioni e delegare ragionamenti più complessi a modelli o strumenti esterni. Secondo l’annuncio ufficiale di OpenAI, il prezzo parte da 0,05 dollari al minuto per il solo livello vocale front-end.

Il punto centrale è architetturale. GPT-Live-1 non è pensato come un semplice sistema che trascrive la voce, invia il testo a un modello linguistico e poi sintetizza una risposta. OpenAI lo descrive come un modello in grado di ragionare congiuntamente sull’audio in ingresso e in uscita, riducendo le fragilità tipiche delle catene speech-to-text, LLM e text-to-speech. In pratica, l’agente può continuare a seguire la conversazione mentre un backend separato esegue ricerche, chiama strumenti, consulta dati aziendali o completa attività più lunghe.

La documentazione per sviluppatori chiarisce che GPT-Live gestisce la parte conversazionale — ascolto, parlato e decisione su quando chiedere aiuto al backend — mentre il lavoro delegato può essere affidato alle Responses API, a un modello OpenAI compatibile, a un modello di terze parti o a un’infrastruttura agentica già esistente. OpenAI precisa inoltre che l’applicazione resta responsabile di permessi, conferme, funzioni private e stato persistente delle attività: un dettaglio importante per chi vuole portare questa tecnologia in customer care, prenotazioni, sanità, finanza o servizi interni alle aziende, come indicato nella guida ufficiale a GPT-Live.

Il prezzo cambia il modo di progettare gli agenti vocali

La tariffa di 0,05 dollari al minuto equivale a 3 dollari l’ora per il livello vocale, ma non rappresenta il costo totale di un agente in produzione. OpenAI specifica nella propria pagina dei prezzi API che le sessioni GPT-Live sono fatturate al secondo e che l’uso dei modelli backend e degli strumenti viene addebitato separatamente. Il costo finale dipenderà quindi dalla durata delle conversazioni, dal modello scelto per il ragionamento, dal numero di chiamate a strumenti esterni e, nei casi telefonici, anche dall’infrastruttura di telephony.

Questa separazione può diventare un vantaggio per gli sviluppatori. Per interazioni semplici, come aggiornamenti d’ordine o appuntamenti, un’azienda può collegare GPT-Live-1 a un modello meno costoso o a regole applicative molto delimitate. Per problemi complessi, reclami articolati o assistenza tecnica, può invece delegare a modelli più potenti. OpenAI cita esplicitamente la possibilità di combinare GPT-Live-1 con modelli come GPT-6 Astra o con sistemi esterni, lasciando al prodotto la scelta del compromesso tra qualità, latenza e costo.

Nel post pubblicato sulla community ufficiale degli sviluppatori OpenAI, l’azienda indica anche alcune funzionalità pensate per l’uso in produzione: trascrizioni ASR native, testo della risposta, keyword biasing, migliore comprensione di sequenze alfanumeriche, supporto a WebRTC, WebSocket, telephony e SIP. Sono elementi meno visibili rispetto alla naturalezza della voce, ma decisivi per applicazioni reali: un agente telefonico deve riconoscere correttamente codici cliente, numeri d’ordine, indirizzi, sigle e parole di dominio.

Dalla voce di ChatGPT agli agenti per le imprese

GPT-Live era stato presentato da OpenAI l’8 luglio 2026 come nuova generazione di modelli vocali per ChatGPT Voice. In quell’occasione l’azienda aveva spiegato che GPT-Live-1 e GPT-Live-1 mini sarebbero stati distribuiti agli utenti di ChatGPT e che l’arrivo nelle API sarebbe seguito in un secondo momento. Con il rilascio agli sviluppatori, quella promessa diventa una piattaforma per prodotti di terze parti, non più soltanto una funzione dell’app ChatGPT, come ricostruito nel post di lancio di GPT-Live.

La differenza più evidente rispetto agli assistenti vocali tradizionali è la gestione del turno di parola. Nei sistemi conversazionali classici, l’AI tende ad aspettare una pausa, interpretarla come fine dell’intervento e poi rispondere. Questo genera ritardi o interruzioni sgradevoli, soprattutto con utenti esitanti, ambienti rumorosi o conversazioni naturali. OpenAI sostiene che GPT-Live-1 migliori la gestione delle interruzioni perché elabora in modo unitario audio in ingresso e audio in uscita. In valutazioni iniziali citate dall’azienda, Speak avrebbe registrato una riduzione di quasi l’80% delle interruzioni rispetto a sistemi precedenti basati su turni.

Il lavoro tecnico dietro questa esperienza è descritto anche in un approfondimento ingegneristico di OpenAI, secondo cui GPT-Live rimuove dal percorso audio il tradizionale turn detector e usa un’architettura full-duplex con streaming continuo. La delega a modelli di frontiera o strumenti avviene su un percorso asincrono, così la conversazione può proseguire mentre l’agente svolge attività più pesanti in background. È una scelta che avvicina gli agenti vocali al modo in cui le persone parlano davvero: con esitazioni, ripensamenti, sovrapposizioni e correzioni in tempo reale, come spiegato nel post tecnico sull’architettura di GPT-Live.

OpenAI inserisce questo rilascio in una strategia più ampia sull’audio. A maggio 2026 aveva già presentato nuovi modelli Realtime per voce, traduzione e trascrizione, tra cui GPT-Realtime-2, GPT-Realtime-Translate e GPT-Realtime-Whisper. GPT-Live-1, però, sposta l’attenzione dal modello vocale come interfaccia reattiva all’agente vocale come coordinatore di attività: parla con l’utente, mantiene il ritmo della conversazione e decide quando far intervenire componenti più specializzate. È una distinzione sottile, ma rilevante per chi progetta software aziendale, come emerge dal precedente annuncio sui modelli vocali Realtime.

I limiti da considerare

Il rilascio non elimina le cautele necessarie. Le prestazioni dichiarate da OpenAI restano valutazioni dell’azienda e andranno misurate nei singoli contesti d’uso, soprattutto quando l’agente deve accedere a dati sensibili, prendere decisioni operative o interagire al telefono con clienti reali. La separazione fra voce e backend offre flessibilità, ma impone anche una progettazione più rigorosa: bisogna decidere quando delegare, come interrompere un’azione, quali conferme chiedere all’utente e quali eventi registrare per audit e sicurezza.

C’è poi il tema della provenienza dei contenuti audio generati. OpenAI aveva annunciato a luglio che l’audio supportato prodotto con GPT-Live attraverso ChatGPT Voice e API include segnali di watermarking SynthID, con strumenti di verifica per rilevare la provenienza OpenAI. È un tassello utile, anche se non sostituisce policy chiare su consenso, trasparenza verso l’utente e trattamento dei dati, soprattutto nei casi di agenti telefonici o assistenza clienti, come indicato nell’aggiornamento al lancio originale di GPT-Live.

Per il mercato, il messaggio è chiaro: la voce sta diventando un’interfaccia programmabile per il software. Non soltanto un modo più naturale per fare domande, ma un canale operativo per prenotare, risolvere problemi, imparare, coordinare attività e usare strumenti digitali senza passare da tastiera e schermo. GPT-Live-1 rende questa ambizione più accessibile agli sviluppatori, ma la qualità delle applicazioni dipenderà da ciò che verrà costruito intorno al modello: dati affidabili, flussi ben disegnati, controllo umano dove serve e misurazione continua dell’esperienza.

Vedo in GPT-Live-1 un passaggio molto concreto verso una nuova generazione di interfacce vocali. La parte più interessante non è soltanto la voce più fluida, ma la possibilità di separare conversazione e ragionamento. Questo permette alle aziende di progettare agenti più modulari, scegliendo il backend giusto per ogni compito e contenendo i costi senza rinunciare alla qualità quando serve.

Le opportunità migliori saranno nei processi ripetitivi ma ad alto valore relazionale: assistenza clienti, prenotazioni, formazione, onboarding, supporto tecnico di primo livello. Qui la voce può ridurre attrito e tempi di attesa, a patto che l’esperienza sia progettata con cura. Un agente che interrompe meno, capisce meglio i codici e sa quando chiedere conferma può diventare molto più utile di un chatbot testuale adattato alla voce.

Il lavoro vero, però, sarà nel disegno dei flussi. Le imprese dovranno costruire controlli, metriche, escalation verso operatori umani e regole di sicurezza. Se questo avverrà, modelli come GPT-Live-1 non saranno solo una demo impressionante, ma una tecnologia capace di migliorare davvero la qualità dei servizi digitali.