OpenAI ने अपना सबसे अच्छा वॉइस मॉडल हर डेवलपर के लिए 5 सेंट प्रति मिनट पर खोल दिया

गुरुवार 10 सितंबर 2026 को OpenAI ने घोषणा की और तत्काल प्रभाव से GPT-Live-1 की एपीआई में सामान्य उपलब्धता जारी कर दी:

1. मॉडल: GPT-Live-1, OpenAI का प्रमुख फुल-डुप्लेक्स रियल-टाइम वॉइस मॉडल है ("Our premier model for natural, expressive voice conversations with smooth interruption handling" — मॉडल कार्ड)। यह आने वाले और जाने वाले ऑडियो पर एक ही मॉडल में साथ-साथ रीज़निंग करता है, जिससे श्रृंखलाबद्ध STT→LLM→TTS पाइपलाइनों की लेटेंसी और नाज़ुक हैंडऑफ़ से बचा जाता है। यह बोलते हुए सुन सकता है, टोकने और छोटी स्वीकृतियों ("mhmm", "yeah") का जवाब दे सकता है, और बातचीत चलाते रह सकता है जबकि कोई बैकएंड मॉडल या एजेंट रीज़निंग, टूल कॉल, वेब सर्च या कोडिंग करता रहे।
2. डेलिगेशन आर्किटेक्चर (सबसे निर्णायक विशेषता): GPT-Live-1 केवल बातचीत संभालता है; रीज़निंग/टूल उस बैकएंड में रहते हैं जिसे डेवलपर चुनता है। दो मोड हैं: Responses डेलिगेशन (OpenAI-प्रबंधित — आप gpt-5.6-luna, gpt-5.6-terra या gpt-6-astra जैसे Responses मॉडल को web_search या कस्टम फ़ंक्शन जैसे टूल के साथ कॉन्फ़िगर करते हैं) और क्लाइंट डेलिगेशन (आपका एप्लिकेशन स्वयं अनुरोध बनाता है और अपना बैकएंड मॉडल, एजेंट हार्नेस या सेवा चलाता है; परिणाम session.commentary.append / session.thinking.append के ज़रिए वापस भेजे जाते हैं)। लॉन्च पोस्ट बातचीत के बीच में रिपॉज़िटरी का काम करने के लिए GPT-Live-1 को Codex SDK के साथ जोड़कर दिखाता है। OpenAI का मार्गदर्शन स्पष्ट है: बिज़नेस लॉजिक, ऑथराइज़ेशन जाँच, टूल हैंडलर और टिकाऊ स्थिति (durable state) एप्लिकेशन में ही रहें।
3. ट्रांसपोर्ट: ब्राउज़र/मोबाइल वॉइस सेशन के लिए WebRTC (माइक्रोफ़ोन/स्पीकर मीडिया ट्रैक + डेटा चैनल), सर्वर-साइड ऑडियो स्ट्रीम के लिए WebSockets, लाइव सेशन के सर्वर नियंत्रण/निरीक्षण के लिए साइडबैंड कनेक्शन, और फ़ोन एजेंटों के लिए टेलीफ़ोनी/SIP समर्थन (रेस्तराँ आरक्षण, ग्राहक सहायता, ऑर्डर अपडेट)।
4. नए वॉइस विकल्प: 12 नए रियल-टाइम वॉइस (Quartz, Ripple, Vesper, Willow, Stone, Gleam, Meridian, Bossa, Tempo, Beacon, Delta, Cinder) जो उच्चारण, बोली और भाषाओं में फैले हैं, साथ में मौजूदा डिफ़ॉल्ट marin; सेल्स-पात्रता के ज़रिए कस्टम वॉइस।
5. अंतर्निहित स्पीच प्लंबिंग: नेटिव ASR ट्रांसक्रिप्ट (session.input_transcript.delta) और रिस्पॉन्स टेक्स्ट (session.output_transcript.delta), अल्फ़ान्यूमेरिक समझ मज़बूत, कीवर्ड बायसिंग, और उन डेवलपर्स के लिए नेटिव टर्न डिटेक्शन जो स्पष्ट टर्न सीमाएँ चाहते हैं — भले ही मॉडल टर्न-आधारित न हो।
6. मूल्य और सीमाएँ: वॉइस लेयर $0.05/min, बिलिंग प्रति सेकंड (ऊपर की ओर राउंड नहीं; 90 सेकंड का सेशन = $0.075); बैकएंड मॉडल/टूल का उपयोग सामान्य दरों पर अलग से बिल होता है; मुफ़्त एपीआई टियर समर्थित नहीं; रेट लिमिट समवर्ती सेशन (concurrent sessions) में मापी जाती है: 25 (Tier 1) → 50 (Tier 2) → 200 (Tier 3) → 300 (Tier 4) → 500 (Tier 5)। नॉलेज कटऑफ़: 31 जुलाई 2025।
7. उसी दिन का जोड़ीदार लॉन्च: OpenAI ने उसी दिन (10 सितंबर) Agents API को सार्वजनिक बीटा में भी डाल दिया — GPT-Live-1 वह आवाज़ है जो ग्राहक से बात करती है; Agents API (प्रबंधित Codex हार्नेस) वह बैकएंड है जिसे असली काम सौंपा जा सकता है। OpenAI ने उद्यमों को OpenAI Presence (22 जुलाई को पेश) की ओर भी इंगित किया — GPT-Live-1 पर बना प्रबंधित एंटरप्राइज़ वॉइस-एजेंट उत्पाद।
8. पहले दिन का इकोसिस्टम: Twilio ने Agent Connect में नेटिव GPTLiveProvider की घोषणा की, जो Twilio Voice Media Streams को सीधे GPT-Live-1 सेशन से जोड़ता है (10 सितंबर)। लॉन्च पोस्ट में ग्राहक प्रशंसापत्र: Yelp (Host/Hatch कॉल हैंडलिंग), Speak (Live Tutor Lessons — सोचने के ठहराव के दौरान ~80% कम इंटरप्शन), Intercom Fin (सहायता के लिए प्राकृतिक कॉल प्रवाह), Cognition (Devin वॉइस सहयोग)।

संदर्भ: GPT-Live-1 पहली बार 8 जुलाई 2026 को ChatGPT Voice मॉडल के रूप में आया (सशुल्क प्लान; Free के लिए GPT-Live-1 mini)। 10 सितंबर की एपीआई रिलीज़ उसी मॉडल परिवार की डेवलपर-सतह पर पहली उपस्थिति है, 64 दिन बाद। OpenAI अपने ही मूल्यांकनों में दावा करता है कि GPT-Realtime-2.1 के मुक़ाबले Full Duplex Bench पर +30 प्रतिशत-बिंदु सुधार है और GPT-6 Astra के साथ माध्यम रीज़निंग प्रयास पर जोड़ने पर Tau3 में #1 स्थान मिलता है (दोनों COMPANY CLAIM)।

• क्या हुआ: गुरुवार 2026-09-10 को OpenAI ने GPT-Live-1 को — वही फुल-डुप्लेक्स (full-duplex) रियल-टाइम वॉइस मॉडल जो 8 जुलाई 2026 से ChatGPT Voice को चला रहा है — एक नई Live sessions सतह (v1/live/sessions) के ज़रिए एपीआई में सामान्य उपलब्ध (generally available) कर दिया, जिसका मूल्य फ़्रंट-एंड वॉइस लेयर के लिए $0.05 प्रति मिनट है (बिलिंग प्रति सेकंड), और बैकएंड मॉडल/टूल के उपयोग का बिल अलग से लगता है। GPT-Live-1 एक साथ सुनता और बोलता है, बीच में टोकना (interruptions) और पृष्ठभूमि का शोर संभालता है, और रीज़निंग तथा टूल उपयोग को किसी अलग बैकएंड मॉडल या एजेंट (Agent) को सौंप देता है (OpenAI Responses मॉडल या ग्राहक का अपना बैकएंड), ताकि बातचीत चलती रहे जबकि काम पृष्ठभूमि में होता रहे।
• ⚠ ज़ोरदार चेतावनी — डिस्कवरी के ढाँचे में सुधार (यह तारीख़ की असंगति नहीं है): डिस्कवरी रिकॉर्ड इस कहानी का शीर्षक "OpenAI adds GPT-Live-1 real-time video model to API" रखता है और GPT-Live-1 को "रियल-टाइम मल्टीमॉडल (video+voice+text) मॉडल" बताता है। दोनों बातें तथ्यात्मक रूप से ग़लत हैं। GPT-Live-1 एक वॉइस मॉडल है जिसकी मोडैलिटीज़ केवल ऑडियो और टेक्स्ट हैं; इमेज और वीडियो एपीआई में स्पष्ट रूप से असमर्थित हैं। प्राथमिक-स्रोत प्रमाण:
  1. OpenAI का आधिकारिक मॉडल पेज (https://developers.openai.com/api/docs/models/gpt-live-1): "GPT-Live 1 is a full-duplex voice model for real-time conversations… Input modalities: audio, text — Output modalities: audio, text — Unsupported modalities: image, video" तथा "Videos v1/videos — Not supported।"
  2. OpenAI का अपना लॉन्च पोस्ट (10 सितंबर): "a powerful, natural voice model for building voice-enabled apps" — इसमें गिनाई गई हर क्षमता (इंटरप्शन हैंडलिंग, डेलिगेशन, टोन/गति/शैली, टेलीफ़ोनी) वॉइस-विशिष्ट है।
  3. OpenAI Help Center (ChatGPT Voice FAQ): "Live does not support video or screen sharing" — वीडियो/स्क्रीन-शेयरिंग केवल ChatGPT के उपभोक्ता ऐप्स में पुराने Advanced Voice Mode तक सीमित है।
  4. स्वतंत्र पुष्टि: Coursiv की 11 सितंबर की तकनीकी समीक्षा ("Inputs and outputs: Audio and text; images and video are not supported"), AI Pricing Guru ("It does not accept images"), The Decoder ("The speech model can listen and talk at the same time"), Unite.AI, TechRepublic, GIGAZINE — सभी वॉइस/स्पीच मॉडल बताते हैं, किसी ने वीडियो का ज़िक्र नहीं किया।
  • "वीडियो" वाला ढाँचा डिस्कवरी-चरण का मेल-मिलाप (conflation) लगता है, सबसे संभवतः इनमें से किसी के साथ: (a) Realtime API का gpt-realtime-2.1, जो हाँ, इमेज इनपुट लेता है, (b) GPT-6 Astra की मल्टीमॉडल/वीडियो-निकट क्षमताएँ जो 3 सितंबर को आईं, या (c) Advanced Voice Mode की वीडियो/स्क्रीन-शेयरिंग, जिसे GPT-Live स्पष्ट रूप से शामिल नहीं करता। सुझाया गया ऑर्केस्ट्रेटर कदम: कहानी का नाम वास्तविकता के अनुरूप बदलें (जैसे, "OpenAI adds GPT-Live-1 real-time full-duplex voice model to API") और what_changed फ़ील्ड सुधारें: "OpenAI made GPT-Live-1, its real-time full-duplex voice model (audio+text), available through the API to all developers." इवेंट की तारीख़, संगठन, श्रेणी और विंडो-के-अंदर की योग्यता — सब यथावत रहते हैं।
• इवेंट-तारीख़ सत्यापन श्रृंखला (प्राथमिक स्रोत): OpenAI का लॉन्च पोस्ट जिस पर तारीख़ "September 10, 2026" अंकित है (https://openai.com/index/introducing-gpt-live-1-in-the-api/); API changelog की प्रविष्टि "Sep 10 — Feature · Model: gpt-live-1 · API: v1/live/sessions — GPT-Live 1 is now generally available in the API" (https://developers.openai.com/api/docs/changelog); OpenAI Developers का X पोस्ट "GPT-Live-1 is now available in the API…" जिस पर 10 सितंबर 2026 की टाइमस्टैम्प है; आधिकारिक डेवलपर-फ़ोरम पर 2026-09-10T18:57:29Z पर पोस्ट की गई घोषणा। उसी दिन के स्वतंत्र आधार: The Decoder ("Sep 10, 2026"), Unite.AI ("Published September 10, 2026"), Twilio ("September 10, 2026")। निर्णय: इवेंट की तारीख़ 2026-09-10 कॉन्फ़िगर की गई विंडो के अंदर पड़ती है — कोई असंगति नहीं। जो सुधार चाहिए वह कहानी के विषय (वीडियो) का है, उसकी तारीख़ का नहीं।
• स्रोत-संबंधी चेतावनियाँ जिन्हें चिह्नित करना है:
  1. डिस्कवरी रिकॉर्ड स्वतंत्र स्रोतों में TechCrunch गिनाता है; इस शोध सत्र के दौरान 8 जुलाई के लॉन्च या 10 सितंबर के एपीआई लॉन्च — किसी के लिए भी TechCrunch का कोई लेख-URL न ढूँढा जा सका, न सत्यापित किया जा सका (एग्रीगेटर पुष्टि करते हैं कि TechCrunch ने 8 जुलाई के उपभोक्ता लॉन्च को कवर किया था, पर सीधा URL नहीं मिला)। पुष्टि इसके बजाय The Decoder, Unite.AI, TechRepublic, Coursiv, Twilio, GIGAZINE, AI Pricing Guru, Progressive Robot तथा diyai से आती है।
  2. The Verge ने 8 जुलाई 2026 को उपभोक्ता लॉन्च को कवर किया था (शोध विंडो से पहले) — यहाँ उसका हवाला केवल इस बात के स्वतंत्र साक्ष्य के रूप में है कि GPT-Live-1 क्या है (एक फुल-डुप्लेक्स वॉइस मॉडल; लॉन्च पर कोई वीडियो/स्क्रीन शेयरिंग नहीं), विंडो-के-अंदर की कवरेज के रूप में नहीं।
  3. OpenAI पोस्ट और तीसरे पक्ष के राउंडअप — दोनों में उद्धृत बेंचमार्क आँकड़े OpenAI के अपने मूल्यांकन हैं (Full Duplex Bench, Tau3, Tau Banking Voice) — जब तक स्वतंत्र रूप से दोहराए न जाएँ, ये COMPANY CLAIM हैं; Coursiv स्पष्ट रूप से नोट करता है कि "none of the current numbers come from outside OpenAI."
• प्रयुक्त साक्ष्य लेबल: FACT (इवेंट की तारीख़, एपीआई GA, मूल्य, एंडपॉइंट, मोडैलिटीज़, असमर्थित मोडैलिटीज़, वॉइस, रेट लिमिट, नॉलेज कटऑफ़, 8 जुलाई की ChatGPT वंशावली, उसी दिन का Agents API बीटा, Twilio/Presence इकोसिस्टम की चालें), COMPANY CLAIM (बेंचमार्क, Speak की ~80% इंटरप्शन कमी, Yelp/Speak/Intercom/Cognition के प्रशंसापत्र जैसे OpenAI ने प्रकाशित किए), INDEPENDENT EVIDENCE (मुख्य तथ्यों पर कई आउटलेट की सहमति; The Decoder, Unite.AI, TechRepublic, Twilio का तकनीकी ढाँचा; Coursiv/AI Pricing Guru की स्पेक तालिकाएँ; Microsoft Learn Foundry पेज; समुदाय-रिपोर्टेड प्रोडक्शन व्यवहार), INTERPRETATION (वॉइस/बैकएंड विभाजन को स्थापत्य-परिवर्तन मानना; फुल-डुप्लेक्स वॉइस का कमोडिटीकरण; Gemini 3.8 Live और xAI Voice Agent API के मुक़ाबले प्रतिस्पर्धी संदर्भ), PREDICTION (एपीआई में mini वेरिएंट, Realtime के डेप्रिकेशन का दबाव, DevDay 29 सितंबर के फ़ॉलो-अप, ~$0.05/min पर मूल्य प्रतिस्पर्धा)।

• पहले: रियल-टाइम वॉइस एजेंट बनाने वाले डेवलपर्स Realtime API (v1/realtime के साथ gpt-realtime-2.1 / 2.1-mini, 6 जुलाई 2026 को जारी) का उपयोग करते थे — एक ही सर्व-इन-वन स्पीच-टू-स्पीच मॉडल जो ऑडियो, रीज़निंग और टूल चयन एक ही मॉडल के भीतर संभालता है। GPT-Live-1 तब केवल एक उपभोक्ता ChatGPT फ़ीचर (8 जुलाई) के रूप में था, प्लान-आधारित प्रति-घंटा सीमाओं के साथ, कोई सार्वजनिक मॉडल ID नहीं, कोई मूल्य नहीं, और एपीआई एक्सेस के लिए एक "notify me" साइनअप (जैसा कई बिल्डरों ने जुलाई के मध्य तक दर्ज किया)।
• बदलाव: OpenAI ने GPT-Live-1 को सभी डेवलपर्स के लिए सामान्य रूप से उपलब्ध कर दिया, नए v1/live/sessions एंडपॉइंट के ज़रिए $0.05/min पर (वॉइस लेयर, प्रति सेकंड), जिसमें फुल-डुप्लेक्स बातचीत एक समर्पित वॉइस मॉडल संभालता है और रीज़निंग/टूल अलग चुने गए बैकएंड को सौंपे जाते हैं (Responses डेलिगेशन या क्लाइंट डेलिगेशन)। SynthID वॉटरमार्किंग 31 जुलाई को समर्थित GPT-Live ऑडियो में पहले ही जोड़ी जा चुकी थी, जो एपीआई की तैयारी का संकेत था।
• बाद में: सशुल्क OpenAI एपीआई कुंजी रखने वाला कोई भी डेवलपर अब अपने ऐप, फ़ोन लाइन या एजेंट में ChatGPT-Voice-स्तर की फुल-डुप्लेक्स बातचीत डाल सकता है, और प्रति कार्य अपना रीज़निंग बैकएंड चुन सकता है (शेड्यूलिंग के लिए सस्ता मॉडल, कठिन मामलों के लिए फ्रंटियर मॉडल)। वॉइस लेयर स्पष्ट मूल्य पर कमोडिटी बन गई; आर्किटेक्चर "आवाज़" को "दिमाग़" से अलग करता है, जिससे दोनों को स्वतंत्र रूप से बदला जा सकता है। रियल-टाइम वॉइस उपभोक्ता-नवीनता से एक मानक एपीआई निर्माण-खंड बन गई — उसी सप्ताह Google (Gemini 3.8 Live, 15 सितंबर) और xAI (Voice Agent API, $0.08/min, 17 सितंबर) ने प्रतिस्पर्धी रियल-टाइम वॉइस सतहें जारी कीं।

• एकल-मॉडल फुल डुप्लेक्स: GPT-Live-1 उपयोगकर्ता के इनपुट ऑडियो और उत्पन्न आउटपुट ऑडियो का संयुक्त मॉडलिंग करता है, इसलिए वह तय कर सकता है कि बोलते रहना है, रुकना है, स्वीकृति देनी है ("mhmm"), या स्ट्रीम के बीच में दिशा बदलनी है — बिना डेवलपर के स्वामित्व वाली वॉइस-एक्टिविटी-डिटेक्शन स्टेट मशीन के। यह उस STT→LLM→TTS जोड़ाई को बदल देता है जहाँ हर हैंडऑफ़ लेटेंसी और टाइमिंग ड्रिफ़्ट जोड़ता है (OpenAI का ढाँचा, जिसे GIGAZINE का विश्लेषण भी दोहराता है)।
• सेशन जीवनचक्र (v1/live/sessions): WebSocket क्लाइंट wss://api.openai.com/v1/live/sessions से जुड़ते हैं और session.start भेजते हैं (मॉडल, निर्देश, ऑडियो फ़ॉर्मेट, वॉइस, डेलिगेशन कॉन्फ़िग); सर्वर session.started के साथ उत्तर देता है। WebRTC सेशन POST /v1/live/sessions से बनते हैं (सर्वर ब्राउज़र के SDP ऑफ़र के बदले उत्तर देता है; ऑडियो मीडिया ट्रैक पर जाता है, JSON इवेंट डेटा चैनल पर)। सेशन शुरू होने पर कॉन्फ़िग स्थिर रहता है: मॉडल, निर्देश, वॉइस और ऑडियो फ़ॉर्मेट अपरिवर्तनीय हैं (निर्देश session.instructions.append से जोड़े जा सकते हैं; डेलिगेशन सेटिंग्स एक मोड के भीतर स्पार्स-अपडेटेबल हैं)।
• डेलिगेशन प्रवाह: GPT-Live-1 तय करता है कि कब किसी अनुरोध को बैकएंड चाहिए; वह delegation_id के साथ session.delegation.created उत्सर्जित करता है। Responses डेलिगेशन में वह आपके कॉन्फ़िगर किए गए Responses मॉडल के लिए अनुरोध तैयार करता है (web_search या फ़ंक्शन जैसे टूल के साथ), जो चलता है और परिणाम response.event लिफ़ाफ़ों के ज़रिए लौटाता है; फिर वॉइस मॉडल परिणाम बताता है। क्लाइंट डेलिगेशन में आपका एप्लिकेशन स्वयं बैकएंड कॉल जोड़ता है और सामग्री session.commentary.append (बोलने के लिए सामग्री, पैराफ़्रेज़ हो सकती है) या session.thinking.append (शांत संदर्भ) के ज़रिए लौटाता है। बोलना टोकने से बैकएंड का काम रद्द नहीं होता — अनुमतियाँ, कार्य-स्थिति और कौन-से परिणाम बातचीत तक पहुँचेंगे, यह एप्लिकेशन नियंत्रित करता है।
• कॉन्टेक्स्ट प्रबंधन: शुरुआत में निर्देश 16,384 टोकन तक; स्वचालित बातचीत सारांशीकरण/कम्पैक्शन — जब कॉन्टेक्स्ट 90% से अधिक हो जाता है, GPT-Live-1 उसी सेशन के भीतर एक प्रतिस्थापन वॉइस इंजन शुरू करता है जिसे मूल निर्देश + इतिहास के 8,192 टोकन तक (हाल के संदेश + सारांश) से भरा जाता है। session.instructions.append / session.thinking.append / session.commentary.append सेशन टाइमलाइन पर स्वीकृत start_ms/end_ms विंडो के साथ सामग्री डालते हैं।
• ट्रांसक्रिप्ट: session.input_transcript.delta और session.output_transcript.delta UI, लॉगिंग, मॉडरेशन और जल्दी शुरू होने वाले काम के लिए समय-चिह्नित अंश देते हैं; एपीआई संचयी session.usage.updated भी बताता है (लगभग हर मिनट; अंतिम उपयोग session.closed पर)।
• ऑडियो फ़ॉर्मेट: सीधे टेलीफ़ोनी ब्रिजिंग के लिए WebSocket PCM16 मोनो 24 kHz (audio/pcm) या G.711 μ-law 8 kHz (audio/pcmu) (जैसे Twilio Media Streams); WebRTC अपना फ़ॉर्मेट खुद तय करता है। सेशन की अवधि प्रति सेकंड बिल होती है और ऊपर की ओर राउंड नहीं होती; WebRTC बनाने पर 15s का इनिशियलाइज़ेशन बिल होता है जो सेशन शुरू होने पर क्रेडिट हो जाता है (लागत-अनुकूलन गाइड)।
• डेटा नियंत्रण: GPT-Live-1 Zero Data Retention के लिए पात्र है (सीमाओं के साथ; ZDR के अंतर्गत संग्रहीत सेशन अनदेखा किए जाते हैं), US या EU/EEA+स्विट्ज़रलैंड क्षेत्रों में प्रोसेस करता है (Progressive Robot के अनुसार 2026 गाइड डेटा), और सेशन रिकॉर्डिंग (store:true) डिफ़ॉल्ट रूप से बंद है, चालू होने पर 30 दिन तक रखी जाती है।

• रियल-टाइम वॉइस अब एक कमोडिटी एपीआई निर्माण-खंड है: ChatGPT-Voice-स्तर की फुल-डुप्लेक्स बातचीत के लिए $0.05/min प्रति-सेकंड बिलिंग "फ़ोन पर बातचीत कर सकने वाला एआई (AI)" को शोध परियोजना से एक सामान्य इंजीनियरिंग लागत बना देती है — वही कमोडिटीकरण पैटर्न जो 2023–24 में टेक्स्ट टोकन के साथ दिखा।
• वॉइस/दिमाग़ विभाजन एक स्थापत्य-कथन है: GPT-Live-1 जान-बूझकर बातचीत को रीज़निंग से अलग करता है। OpenAI डेवलपर्स से कह रहा है कि वॉइस को मॉडल की विशेषता मानना छोड़ें और उसे एक ऐसी परत मानें जिसे आप अपने टूल, गार्डरेल्स (Guardrails) और स्टेट मशीन रखते हुए बदल सकते हैं। यह Realtime API (एक मॉडल सब कुछ करता है) से अलग डिज़ाइन-केंद्र है और मौजूदा स्पीच स्टैक (STT/LLM/TTS श्रृंखलाओं वाला Twilio-शैली ऑर्केस्ट्रेशन) के लिए सीधी चुनौती है।
• यह सप्ताह की लाइव-वॉइस प्लेटफ़ॉर्म दौड़ के भीतर आता है: Google की Gemini 3.8 Live (15 सितंबर) और xAI की Voice Agent API ($0.08/min, 17 सितंबर, Galaxy Day 3) के साथ वही विंडो। OpenAI की $0.05/min वॉइस लेयर मूल्य-संदर्भ बिंदु तय करती है; Google सहायक-डिफ़ॉल्ट वितरण से जवाब देता है, xAI टेलीफ़ोनी-एजेंट स्थिति पर कम कीमत लगाता है।
• Agents API (उसी दिन) और Presence के साथ जुड़ाव उद्यम-कहानी पूरी करता है: OpenAI अब बेचता है (a) प्रबंधित एंटरप्राइज़ वॉइस एजेंट (Presence), (b) कच्चा वॉइस मॉडल (GPT-Live-1 एपीआई), और (c) प्रबंधित रीज़निंग हार्नेस (Agents API बीटा) — ग्राहक-उन्मुख वॉइस ऑटोमेशन के लिए एक ऊर्ध्वाधर स्टैक, जो टेलीकॉम/कॉन्टैक्ट-सेंटर के मौजूदा खिलाड़ियों (Twilio, Five9, NICE) से प्रतिस्पर्धा करता है, भले ही Twilio इसे अपने में जोड़ रहा हो।
• यह "मल्टीमॉडल वॉइस" पर रिकॉर्ड सुधारता है: GPT-Live-1 एपीआई कोई इमेज और कोई वीडियो नहीं लेता (केवल ऑडियो+टेक्स्ट)। "दुनिया देखने" वाले एजेंट बनाने वालों को Realtime API (इमेज इनपुट) या अन्य मल्टीमॉडल मॉडलों का उपयोग जारी रखना होगा — यह उस सप्ताह के "लाइव-वीडियो एजेंट" आख्यान के लिए एक सार्थक बाधा है, जिसे डिस्कवरी रिकॉर्ड ने ग़लती से GPT-Live-1 से जोड़ दिया था।

• एक सप्ताहांत में फुल-डुप्लेक्स फ़ोन एजेंट: आरक्षण, ऑर्डर स्थिति, ग्राहक सहायता और आउटबाउंड कॉल जहाँ कॉलर एजेंट को टोक सकता है, दिशा बदल सकता है और उसके ऊपर बोल सकता है — पहले यह बहु-विक्रेता एकीकरण परियोजना थी (STT+VAD+LLM+TTS+टेलीफ़ोनी), अब यह एक session.start कॉल और Twilio Media Stream ब्रिज है (Twilio ने उसी दिन नेटिव GPTLiveProvider जारी किया)।
• अपना दिमाग़ लाएँ वाली वॉइस: GPT-Live-1 को सस्ते उच्च-वॉल्यूम शेड्यूलिंग के लिए Luna, संतुलित काम के लिए Terra, कठिन रीज़निंग के लिए Astra, या क्लाइंट डेलिगेशन के ज़रिए तृतीय-पक्ष/स्व-होस्टेड मॉडल के साथ जोड़ें — वॉइस गुणवत्ता रीज़निंग क्षमता से अलग हो जाती है, इसलिए टीमें वॉइस लेयर को छुए बिना बैकएंड बदल सकती हैं।
• वॉइस-सक्षम कोडिंग और परिवेशी एजेंट: लॉन्च पोस्ट GPT-Live-1 + Codex SDK दिखाता है (रीपो पढ़ने वाले एजेंट से बात करें), और लागत गाइड ऐसे परिवेशी एजेंट रेखांकित करती है जो लंबा काम चलते समय वॉइस सेशन बंद कर देते हैं और पूरा होने पर फिर जुड़ जाते हैं ("Resume conversation" बटन)।
• प्राकृतिक-भाषा टेलीफ़ोनी UX: बार्ज-इन हैंडलिंग, "mhmm" बैकचैनल, मौन सहनशीलता, और कीवर्ड-बायस्ड अल्फ़ान्यूमेरिक कैप्चर (ऑर्डर ID, तारीख़ें) — असली फ़ोन कॉल का संवाद-व्याकरण, IVR मेन्यू नहीं।
• भाषा/वॉइस स्थानीयकरण: लॉन्च पर 12 उच्चारण/बोली/भाषा वॉइस, और भी वादे के साथ, जिससे उत्पाद वॉइस एजेंट को TTS विक्रेता बदलने के बजाय एक कॉन्फ़िगरेशन बदलाव से स्थानीयकृत कर सकते हैं।

• अब दो लाइव-वॉइस एपीआई प्रतिमान साथ-साथ हैं: v1/realtime (एकल-मॉडल स्पीच+रीज़निंग+टूल; इमेज इनपुट समर्थित) बनाम v1/live/sessions (समर्पित वॉइस लेयर + सौंपा गया बैकएंड; कोई इमेज/वीडियो नहीं)। टीमों को सोच-समझकर चुनना होगा; OpenAI की माइग्रेशन गाइड स्पष्ट है कि Realtime→Live जाना मॉडल-नाम की अदला-बदली नहीं है: प्रॉम्प्ट बँटते हैं (बातचीत की शैली → सेशन निर्देश; बिज़नेस नियम/टूल स्कीमा → डेलिगेशन निर्देश), टूल डेलिगेशन स्कीमा में चले जाते हैं, मैनुअल टर्न नियंत्रण हट जाता है (ऑडियो लगातार स्ट्रीम होता है; मॉडल तय करता है कब बोलना है), और ऑडियो/ट्रांसक्रिप्ट इवेंट सेशन पर नए नामों से आते हैं।
• इवेंट-मॉडल का पुनर्लेखन: session.input_audio.append (बिना स्वीकृति), session.output_audio.delta (समय-चिह्नित), ट्रांसक्रिप्ट डेल्टा, session.delegation.created, नेस्टेड Responses इवेंट लपेटने वाले response.event लिफ़ाफ़े, session.usage.updated स्नैपशॉट — Realtime API के response.create/input_audio_buffer मॉडल से सार्थक रूप से अलग प्रोटोकॉल सतह। समुदाय के डेवलपर्स असली माइग्रेशन घर्षण की रिपोर्ट करते हैं (देखें §13)।
• लेटेंसी/टर्न-टेकिंग में लाभ असली हैं पर विक्रेता-मापित: OpenAI 0.798s टर्न-टेकिंग लेटेंसी बताता है (Full Duplex Bench v1) जबकि gpt-realtime-2.1 के लिए 1.41s, और Full Duplex Bench v3 पर +30pp — केवल OpenAI के अपने मूल्यांकनों से प्रस्तुत; 11 सितंबर तक कोई स्वतंत्र बेंचमार्क मौजूद नहीं था (Coursiv)।
• समवर्तीता-आधारित रेट लिमिटिंग क्षमता-योजना बदल देती है: टियर के अनुसार 25–500 समवर्ती सेशन का मतलब है कि प्रोडक्शन वॉइस ऐप्स टोकन के बजाय एक साथ चल रही कॉलों के आसपास योजना बनाएँ — एक अलग परिचालन मॉडल (और एक सीमा जिससे टियर-1 टीमें टेलीफ़ोनी रोलआउट में जल्दी टकराएँगी)।
• कॉन्टेक्स्ट कम्पैक्शन अब सेशन की प्रथम-श्रेणी विशेषता है: >90% पर स्वचालित सारांशीकरण और उसी सेशन में इंजन प्रतिस्थापन Realtime के मुक़ाबले लंबी बातचीत की मान्यताएँ बदल देता है।

• नई SDK सतह: आधिकारिक SDK (Node, Python) में WebRTC और WebSocket प्रवाह के साथ client.live.connect() / client.live.create(); एक WebRTC क्विकस्टार्ट (ब्राउज़र+सर्वर) और एक WebSocket क्विकस्टार्ट (PCM16 24kHz stdin/stdout) मानक प्रवेश-बिंदु हैं। Python को openai[realtime] चाहिए; WebRTC को Node ≥ 22.6 चाहिए।
• आर्किटेक्चर मार्गदर्शन असामान्य रूप से स्पष्ट-मत वाला है: बिज़नेस लॉजिक, ऑथराइज़ेशन, टूल हैंडलर और टिकाऊ स्थिति अपने एप्लिकेशन में रखें; Realtime का प्रॉम्प्ट ज्यों-का-त्यों कभी न कॉपी करें; वॉइस लेयर को बदले जा सकने वाली मानें। कस्टम राउटिंग, तृतीय-पक्ष बैकएंड, और वॉइस मॉडल के बोलने से पहले परिणाम छिपाने (redaction) के लिए क्लाइंट डेलिगेशन निकास-द्वार है।
• लागत-मॉडलिंग बदलती है: वॉइस = अवधि-आधारित ($0.05/min), बैकएंड = टोकन-आधारित अपनी दर पर। 10 मिनट की कॉल = $0.50 वॉइस + बैकएंड + टूल। प्रति-सेकंड बिलिंग (कोई राउंडिंग नहीं) के साथ स्पष्ट session.close अनुशासन (निष्क्रिय सेशन लगातार बिल होते हैं) और 15s WebRTC-इनिशियलाइज़ेशन क्रेडिट मुख्य अनुकूलन हैं। टीमों को प्रति-मिनट नहीं, बल्कि प्रति-सफल-कार्य लागत का अनुमान लगाना चाहिए।
• समुदाय-रिपोर्टेड अड़चनें (EARLY RESEARCH — OpenAI फ़ोरम, 18 सितंबर, कई बिल्डर):
  • कुछ परिनियोजनों में उपयोगकर्ता-पक्ष का ऑडियो ट्रांसक्रिप्शन एपीआई से प्राप्त नहीं होता — रिकॉर्ड किए गए ट्रांसक्रिप्ट में केवल सहायक का टेक्स्ट होता है, कॉलर के शब्द नहीं (मॉडल कार्ड कहता है कि ट्रांसक्रिप्ट नेटिव रूप से मिलते हैं, पर कम से कम एक टीम उपयोगकर्ता की बोली नहीं निकाल सकी; अंतर अनसुलझा — सावधानी से लें)।
  • डेलिगेशन मोड में response.done.output खाली आता है; फ़ंक्शन कॉल अलग-अलग response.event लिफ़ाफ़ों के भीतर response.output_item.done से आते हैं।
  • दोहरे response.completed इवेंट (भीतरी डेलिगेशन-स्तर + बाहरी सेशन-स्तर) स्टेट मशीनों को दो बार आगे बढ़ा सकते हैं।
  • 18 सितंबर तक डेटा चैनल पर session.update / response.cancel / input_audio_buffer.clear जैसे समकक्ष नहीं हैं — विदाई प्रवाह और इंटरप्शन हैंडलिंग के लिए नए पैटर्न चाहिए; टूल-निर्भर end_conversation प्रवाह अक्सर कभी सक्रिय नहीं होते क्योंकि वॉइस मॉडल सामाजिक विदाई वाक्यों का सीधे जवाब दे देता है।
  • वॉइस-मॉडल की टिप्पणी session.delegation.created से पहले आ सकती है, जिससे भोला "वॉइस बोला ⇒ डेलिगेशन" टर्न डिटेक्शन टूट जाता है।
• माइग्रेशन का अर्थशास्त्र: Realtime पर पहले से मौजूद टीमों के लिए तत्काल लाभ हैं प्रति-सेकंड बिलिंग, बेहतर टूल कॉलिंग, इंटरप्शन और गति (समुदाय परीक्षण के अनुसार); अवरोधक मुद्दे हैं ट्रांसक्रिप्ट प्राप्ति और इवेंट-मॉडल का पुनर्लेखन। कई टीमें माइग्रेशन के दौरान दोनों स्टैक साथ चलाने की सलाह देती हैं।

• ग्राहक-उन्मुख वॉइस ऑटोमेशन अब एपीआई कीमतों पर खरीदा जा सकता है: कॉन्टैक्ट-सेंटर जैसी इनबाउंड/आउटबाउंड वॉइस (आरक्षण, ऑर्डर स्थिति, सहायता ट्रायाज) अब $0.05/min वॉइस + एक रीज़निंग बैकएंड पर आंतरिक निर्माण बन जाती है, या OpenAI Presence (प्रबंधित एंटरप्राइज़ वॉइस एजेंट, 22 जुलाई को लॉन्च, OpenAI Forward Deployed Engineers और सिस्टम इंटीग्रेटर के ज़रिए सीमित GA) के ज़रिए खरीद निर्णय।
• पहले दिन का उद्यम-सत्यापन: Yelp (Host/Hatch कॉल हैंडलिंग), Intercom (Fin), Speak (ट्यूटरिंग), Cognition (Devin) — सभी GPT-Live-1 पर जारी; Twilio का नेटिव Agent Connect एकीकरण एंटरप्राइज़ चैनल के लिए अंतिम-मील टेलीफ़ोनी जोखिम घटाता है।
• नियंत्रित क्षेत्रों के लिए डेटा-नियंत्रण की स्थिति मायने रखती है: GPT-Live-1 सीमाओं के साथ ZDR-पात्र है और EU/EEA+स्विट्ज़रलैंड क्षेत्रीय प्रोसेसिंग समर्थित करता है, पर सौंपा गया Agents API बैकएंड केवल US में है और ZDR-पात्र नहीं — यूरोपीय वॉइस-एजेंट परिनियोजन जैसे ही काम Agents API को सौंपता है, शुरू से अंत तक ZDR खो देता है। संग्रहीत सेशन (store:true) 30 दिन तक रहते हैं और कोई सार्वजनिक विलोपन एंडपॉइंट नहीं है। अनुपालन टीमों को वॉइस लेयर और हर बैकएंड का अलग-अलग मानचित्रण करना होगा।
• समवर्तीता की ऊपरी सीमाएँ टेलीफ़ोनी पैमाने को सीमित करती हैं: Tier 5 पर 500 समवर्ती सेशन एक साथ चल सकने वाली कॉलों को सीमित करते हैं — कॉल-सेंटर की शिखर-भार योजना टोकन बजट से सेशन बजट की ओर बदल जाती है; पैमाने पर ओवरफ़्लो रणनीतियाँ (क्यूइंग, क्षेत्रीय शार्डिंग) चाहिए।

• OpenAI "वॉइस लेयर" को एक उत्पाद-श्रेणी के रूप में परिभाषित कर रहा है — किसी भी रीज़निंग बैकएंड के ऊपर एक पतला, सस्ता, बदले जा सकने वाला बातचीत-फ़्रंटएंड। यह ढाँचा बाज़ार के दोनों सिरों पर दबाव डालता है: स्पीच के मौजूदा खिलाड़ी (assembly-शैली पाइपलाइन, टर्न-आधारित वॉइस प्लेटफ़ॉर्म) और फ्रंटियर-मॉडल प्रतिद्वंद्वी जो वॉइस को बुद्धिमत्ता के साथ बंडल करते हैं।
• मूल्य-संकेत $0.05/min पर तय: xAI की $0.08/min Voice Agent API (17 सितंबर) और Google की Gemini 3.8 Live (15 सितंबर) इसी से तुलना की जाएँगी; अपेक्षा है कि कुछ तिमाहियों में वॉइस-लेयर कीमत $0.01–0.03/min की ओर दबेगी, टोकन-मूल्य के पैटर्न पर।
• डेलिगेशन के ज़रिए इकोसिस्टम लॉक-इन: आज वैकल्पिक, "Responses डेलिगेशन" OpenAI को वॉइस और दिमाग़ के बीच ऑर्केस्ट्रेशन परत बना देता है; क्लाइंट डेलिगेशन ग्राहकों को खुला रखता है। रणनीतिक पुरस्कार केवल वॉइस मॉडल का नहीं, बल्कि गोंद (वॉइस→बैकएंड प्रोटोकॉल, presence, एजेंट) का स्वामित्व है।
• उसी सप्ताह का आख्यान: एजेंट-सुरक्षा खुलासों (S01, S02, S14) और गति-बहस (S15) से भरे सप्ताह में, OpenAI का प्रोडक्शन फुल-डुप्लेक्स फ़ोन वॉइस (साथ में Agents API) जारी करना "अब परिनियोजित करें" वाला प्रति-आख्यान है — उद्योग जब एजेंटों को नियंत्रित करने पर बहस कर रहा है, एजेंटिक वॉइस कमोडिटी बनाई जा रही है।
• Foundry वितरण: Microsoft Foundry GPT-Live को Azure Foundry एंडपॉइंट के अंतर्गत नेटिव रूप से दस्तावेज़ित करता है (learn.microsoft.com GPT-Live event reference), जिससे OpenAI की वॉइस लेयर एंटरप्राइज़ Azure चैनलों में भी पहुँचती है, साथ में वहाँ GPT-6 Astra के GA के साथ (S06)।

• पैमाने पर अपरीक्षित वॉइस कॉमर्स: उपभोक्ता ChatGPT Voice 150M+ उपयोगकर्ताओं पर सिद्ध है (OpenAI के जुलाई के दावों के अनुसार), पर उद्यम फ़ोन-कॉल की विश्वसनीयता (शोर, उच्चारण, कॉल गुणवत्ता, DTMF, होल्ड संगीत) नया क्षेत्र है; अर्ध-कठोर प्रवाहों में हैंगअप/डेलिगेशन की अविश्वसनीयता की शुरुआती समुदाय रिपोर्टें प्रोडक्शन टेलीफ़ोनी के लिए पीली झंडी हैं।
• डेटा/गोपनीयता के किनारे के मामले: 30-दिन की संग्रहीत-सेशन अवधि बिना सार्वजनिक विलोपन एंडपॉइंट; जब डेलिगेशन Agents API तक जाता है तो ZDR में अंतराल; उपयोगकर्ता-बोली ट्रांसक्रिप्ट की अनिश्चितता (देखें §13) कॉल-रिकॉर्डिंग सहमति व्यवस्थाओं (दो-पक्षीय सहमति वाले राज्य, GDPR) के लिए मायने रखती है।
• माइग्रेशन के जाल: Realtime कोड भोलेपन से पोर्ट करने वाली टीमों को खाली response.done.output, दोहरा response.completed, और गायब सेशन नियंत्रण मिलेंगे — माइग्रेशन के दौरान प्रोडक्शन घटनाएँ होने की संभावना है।
• समवर्तीता थ्रॉटलिंग: टियर सीमाएँ (Tier 1 पर 25) शुरुआती टेलीफ़ोनी परिनियोजकों को चौंकाएँगी; चुपचाप होने वाली निष्क्रिय-सेशन बिलिंग चालान बढ़ा सकती है; प्रति-सेकंड मीटरिंग निष्क्रिय-सेशन स्वच्छता को लागत नियंत्रण बना देती है।
• वॉइस प्रतिरूपण/सुरक्षा: विस्तारित वॉइस सूची (उच्चारण/बोली/भाषाएँ) और स्ट्रीम-योग्य क्लोनिंग-निकट कस्टम वॉइस (सेल्स-गेटेड) वॉइस-स्पूफ़िंग और सोशल-इंजीनियरिंग का जोखिम फिर उठाते हैं; OpenAI की SynthID वॉटरमार्किंग (31 जुलाई) इसे कम करती है, पर खत्म नहीं।
• बेंचमार्क का अति-दावा: +30pp Full Duplex Bench, Tau3 में #1 और 0.798s लेटेंसी OpenAI के अपने मूल्यांकन हैं; ब्लाइंड प्रतिकृति अभी बाकी है। खरीद टीमों को विक्रेता-निष्पक्ष मूल्यांकन की माँग करनी चाहिए (Coursiv की चेतावनी के अनुसार)।
• न्यूज़रूम के लिए ढाँचे का जोखिम: डिस्कवरी रिकॉर्ड की "वीडियो मॉडल" वाली ग़लती अगर आगे फैली, तो पाठकों को GPT-Live-1 की क्षमताओं और OpenAI के रियल-टाइम वीडियो एपीआई की स्थिति — दोनों के बारे में भ्रम होगा; यह रिपोर्ट इसे सुधारती है (देखें §1)।

• कोई इमेज या वीडियो इनपुट/आउटपुट नहीं — केवल ऑडियो+टेक्स्ट; "दुनिया देखने" वाला रियल-टाइम एजेंट उपयोग-मामला इस मॉडल से पूरा नहीं होता (डिस्कवरी के विपरीत)। Realtime API gpt-realtime-2.1 इमेज इनपुट समर्थित करता है; GPT-Live नहीं करता।
• एंडपॉइंट की सीमा: केवल v1/live/sessions — Chat Completions, Responses, Realtime, Assistants या Batch के ज़रिए कॉल नहीं किया जा सकता; कोई फ़ाइन-ट्यूनिंग (Fine-tuning), संरचित आउटपुट या अनुमानित आउटपुट नहीं; temperature/top_p नियंत्रण नहीं (स्थिर)।
• वॉइस प्रति सेशन स्थिर (शुरू होने के बाद अपरिवर्तनीय; बदलने के लिए नया सेशन), आउटपुट ऑडियो PCM16 24kHz मोनो (कोई स्टीरियो नहीं), और उपयोगकर्ता ऑडियो के लिए इनपुट ट्रांसक्रिप्ट प्राप्ति की अनिश्चितता (समुदाय रिपोर्टें मॉडल-कार्ड के वादों से टकराती हैं; 18 सितंबर तक अनसुलझी)।
• कोई मुफ़्त टियर नहीं — हर मूल्यांकन में पैसा लगता है; एपीआई में कोई सार्वजनिक mini वेरिएंट नहीं (GPT-Live-1 mini ChatGPT उपभोक्ता संस्करण में मौजूद है; एपीआई mini का मॉडल पेज 11 सितंबर तक 404 देता है, Progressive Robot के अनुसार)।
• नॉलेज कटऑफ़ 31 जुलाई 2025 — समसामयिक घटनाओं के उत्तर पूरी तरह बैकएंड डेलिगेशन + वेब सर्च पर निर्भर हैं।
• क्षेत्रीय/डेटा बाधाएँ: EEA प्रोसेसिंग केवल क्षेत्रीय डोमेन के ज़रिए; UK केवल क्षेत्रीय भंडारण के लिए सूचीबद्ध (2026 डेटा-नियंत्रण दस्तावेज़); Agents API को सौंपते समय ZDR शुरू से अंत तक नहीं।
• सभी मुख्य बेंचमार्क विक्रेता-मापित हैं (OpenAI के मूल्यांकन; बैकएंड-विशिष्ट — Terra low बनाम Astra medium स्कोर को सार्थक रूप से बदल देता है)।

• क्या GPT-Live-1 mini (और Medium/High रीज़निंग वेरिएंट) एपीआई में आएँगे, किस कीमत पर, और कब? (DevDay 29 सितंबर निकट-अवधि का उम्मीदवार है।)
• क्या Realtime API लाइन को अब डेप्रिकेशन तारीख़ मिलेगी, जबकि GPT-Live-1 GA है — जिससे gpt-realtime-2.1 उपयोगकर्ताओं को माइग्रेशन के लिए मजबूर होना पड़े?
• क्या उपयोगकर्ता-पक्ष के स्पीच ट्रांसक्रिप्ट वास्तव में एपीआई से प्राप्त किए जा सकते हैं (मॉडल-कार्ड के दावों और समुदाय परीक्षण के बीच अंतर)? OpenAI की स्पष्टता एक प्रोडक्शन अवरोधक सुलझा देगी।
• GPT-Live के लिए वीडियो और स्क्रीन-शेयरिंग कब आएँगे (OpenAI ने जुलाई लॉन्च पर "soon" कहा था; 10 सितंबर तक अनुपस्थित)? उनका आना अंततः डिस्कवरी रिकॉर्ड के "वीडियो" ढाँचे को न्यायसंगत बनाएगा — पीछे से ग़लत, पर दिशा में भविष्यवक्ता।
• क्या OpenAI +30pp और #1 के दावों के समर्थन में स्वतंत्र तृतीय-पक्ष फुल-डुप्लेक्स बेंचमार्क प्रकाशित करेगा (या Full Duplex Bench/Tau3 की कार्यप्रणाली खोलेगा)?
• वॉइस-लेयर मूल्य कैसे बदलेगा जब Google (Gemini 3.8 Live) और xAI ($0.08/min) तुलनीय बेंचमार्क नंबर प्रकाशित करेंगे?
• क्या OpenAI Presence वह एंटरप्राइज़ वितरण परत बनेगा जो स्वयं-सेवा GPT-Live-1 एपीआई परिनियोजनों को किनारे कर दे, या दोनों बढ़ेंगे?

Circle 1 (तत्काल, सप्ताहों में):

• वॉइस/एजेंट डेवलपर्स के लिए: सशुल्क कुंजी के साथ WebRTC क्विकस्टार्ट और WebSocket क्विकस्टार्ट आज़माएँ; इंटरप्शन हैंडलिंग, बार्ज-इन और डेलिगेशन सत्यापित करें (gpt-5.6-luna + web_search से शुरू करें); प्रोडक्शन के लिए प्रतिबद्ध होने से पहले 2–5 मिनट के सेशन पर टाइम-टू-फ़र्स्ट-ऑडियो और प्रति-सेकंड बिल मापें। चूँकि मुफ़्त टियर समर्थित नहीं है, एक छोटा सशुल्क मूल्यांकन बजट रखें (<$5 में लगभग 30 मिनट वॉइस + बैकएंड आ जाता है)।
• आज Realtime पर मौजूद टीमों के लिए: माइग्रेशन की योजना अब शुरू करें पर यांत्रिक रूप से पोर्ट न करें — स्विच करने से पहले हर response.done.output पढ़ने की जगह, इवेंट-गिनती स्टेट मशीन (दोहरा response.completed), और हैंगअप प्रवाह को नए इवेंट मॉडल के विरुद्ध जाँचें; कम से कम एक रिलीज़ चक्र तक दोनों स्टैक समानांतर चलाएँ।
• सुझाया गया कदम: §1 में चिह्नित डिस्कवरी-स्तरीय कहानी का ढाँचा (वीडियो → फुल-डुप्लेक्स वॉइस) STORY_INDEX/PROGRESS में सुधारें, फिर सुधरे शीर्षक के साथ आगे बढ़ें।

Circle 2 (इस तिमाही):

• कॉन्टैक्ट-सेंटर/टेलीफ़ोनी ऑपरेटर: आरक्षण/ऑर्डर-स्थिति ट्रायाज के लिए Twilio Agent Connect के पीछे GPT-Live-1 का पायलट चलाएँ; शिखर समवर्तीता की योजना टियर सीमाओं के विरुद्ध करें (टियर अपग्रेड जल्दी माँगें); निष्क्रिय-सेशन टाइमआउट और प्रति-सेकंड मीटरिंग नियंत्रण लागू करें।
• अनुपालन टीमें: GDPR/CCPA-उन्मुख परिनियोजनों से पहले घटक-दर-घटक डेटा प्लेन का मानचित्रण करें (वॉइस लेयर ZDR-पात्र सीमाओं के साथ; Agents API बैकएंड केवल US, गैर-ZDR; 30-दिन के संग्रहीत सेशन); संग्रहीत-सेशन नीति स्पष्ट रूप से तय करें (store:true डिफ़ॉल्ट रूप से बंद है)।
• प्लेटफ़ॉर्म/एंटरप्राइज़ आर्किटेक्ट: Azure-संरेखित संगठनों के लिए Foundry/Foundry-पक्ष GPT-Live समर्थन (Microsoft Learn संदर्भ) का मूल्यांकन करें; बहु-विक्रेता विकल्पों के रूप में xAI Voice Agent API ($0.08/min) और Gemini Live API से तुलना करें; विक्रेता-निष्पक्ष फुल-डुप्लेक्स मूल्यांकन हार्नेस परिभाषित करें (उद्योग के पास ऐसा नहीं है — इसे आंतरिक रूप से बनाना एक विभेदक है)।

Circle 3 (12+ महीने):

• स्पीच/वॉइस-प्लेटफ़ॉर्म के मौजूदा खिलाड़ी (टेलीकॉम, CCaaS, स्पीच एआई विक्रेता): $0.05/min पर फुल-डुप्लेक्स वॉइस को संरचनात्मक मूल्य-आघात मानें; एकीकरण, अनुपालन, ऊर्ध्वाधर वर्कफ़्लो और मालिकाना डेटा की ओर स्थिति बदलें (केवल मॉडल मार्जिन नहीं बनाए रखेगा)।
• फ्रंटियर लैब्स और नियामक: वॉइस/दिमाग़ विभाजन एक नई ऑडिट सतह बनाता है (वॉइस लेयर जो कहती है और बैकएंड जो करता है — उसके लिए जवाबदेह कौन है); अपेक्षा है कि इस सप्ताह प्रकाशित खुलासा/शासन ढाँचे (S02 का मिसअलाइनमेंट फ़्रेमवर्क; EU AI Act GPAI दायित्व 15 सितंबर से प्रभावी) वॉइस-एजेंट परिनियोजनों से परखे जाएँगे (GDPR ऑडियो-डेटा प्रोसेसिंग, संवादी प्रणालियों के लिए AI Act पारदर्शिता)।
• "एआई रिसेप्शनिस्ट/वॉइस एजेंट" खरीदने वाले: मूल्य दबाव आ रहा है; अल्पकालिक अनुबंध (≤12 महीने) आज की दरों पर लॉक-इन से बचाते हैं।

• ऊर्ध्वाधर फुल-डुप्लेक्स फ़ोन एजेंट (रेस्तराँ, क्लिनिक, सैलून, फ़ील्ड सर्विस, ऑर्डर स्थिति): $0.05/min वॉइस लेयर और एक छोटा बैकएंड मिलकर प्रति-कॉल लागत ~$0.10–0.30 बनाते हैं — $1–3 वाली मानव-सहायता प्राप्त कॉलों के मुक़ाबले व्यवहार्य; परामर्श टीमें "GPT-Live-1 + टूलिंग" ब्लूप्रिंट को उत्पाद बना सकती हैं।
• वॉइस एजेंट बनाने वाला SaaS: माइग्रेशन का दर्द (प्रॉम्प्ट विभाजन, इवेंट मॉडल, हैंगअप प्रवाह, लागत टेलीमेट्री) एक सेवा/सॉफ़्टवेयर अवसर है — ऑब्ज़र्वेबिलिटी, मूल्यांकन (बोले गए कार्य का Pass@1), और Realtime→Live माइग्रेशन टूलिंग खाली जगहें हैं।
• भाषा/स्थानीयकरण का दाँव: 12 उच्चारण/बोली/भाषा वॉइस क्षेत्रीय वॉइस उत्पादों को सस्ते में स्थानीयकृत करने देते हैं; बहुभाषी वॉइस UX पर प्रशिक्षण/परामर्श एक व्यवहार्य जगह है।
• प्रशिक्षण सामग्री: "2 घंटे में फ़ोन एजेंट बनाएँ" कार्यशालाएँ (WebRTC क्विकस्टार्ट → Twilio ब्रिज → डेलिगेशन) SMB की सेवा करने वाली एजेंसियों के लिए मजबूत लीड-जनरेशन सामग्री हैं — डेमो वास्तव में प्रभावशाली है और चलाना सस्ता है।

INSPECT (साथ-साथ अनुसरण) इस वातावरण में उपलब्ध सबसे उच्च-सत्यनिष्ठा विकल्प है; VERIFY नियंत्रित (gated) है। कारण:

• GPT-Live-1 मुफ़्त एपीआई टियर समर्थित नहीं करता (मॉडल पेज: "Unsupported usage tiers: Free"), इसलिए लाइव कॉल के लिए बिलिंग सक्षम वाली सशुल्क OpenAI एपीआई कुंजी चाहिए और असली शुल्क लगेगा ($0.05/min वॉइस + बैकएंड टोकन)। इस शोध वातावरण के पास कोई एपीआई क्रेडेंशियल या बिलिंग संबंध नहीं है, इसलिए यहाँ लाइव session.start ईमानदारी से नहीं चलाया जा सकता।
• सशुल्क कुंजी मिलने पर सुझाया गया: एक VERIFY प्रोटोकॉल — (1) localhost पर ब्राउज़र पेज से ऑडियो कैप्चर के साथ POST /v1/live/sessions (WebRTC); (2) session.started और अभिवादन के टाइम-टू-फ़र्स्ट-ऑडियो की पुष्टि करें; (3) बोलने के बीच में टोकें और स्वाभाविक टर्न-टेकिंग जारी रहने की पुष्टि करें; (4) gpt-5.6-luna + web_search Responses डेलिगेशन के साथ समसामयिक घटना का प्रश्न पूछें और पुष्टि करें कि परिणाम बातचीत के भीतर आता है; (5) 2 मिनट के सेशन पर प्रति-सेकंड बिलिंग मापें और दस्तावेज़ित सूत्र से तुलना करें (90s = $0.075 वॉइस)। पूरी प्रक्रिया और दस्तावेज़ित कोड वॉकथ्रू (WebSocket क्विकस्टार्ट JSON, WebRTC create कॉल, डेलिगेशन कॉन्फ़िग, इवेंट सूची) labs/S52.md में है।

• निकट अवधि (दिन–सप्ताह): डेवलपर समुदाय OpenAI पर दबाव डालेगा कि (a) उपयोगकर्ता-पक्ष ट्रांसक्रिप्ट खोले, (b) session.cancel जैसे नियंत्रण जोड़े, (c) Realtime डेप्रिकेशन का समय स्पष्ट करे; 29 सितंबर को OpenAI DevDay (Fort Mason, San Francisco) से पहले दस्तावेज़ीकरण अपडेट और संभवतः एपीआई में बदलाव की अपेक्षा करें — GPT-Live-1 mini, वीडियो समर्थन की घोषणाओं और बेंचमार्क कार्यप्रणाली जारी करने का स्वाभाविक मंच।
• इस सप्ताह की प्रतिस्पर्धी घड़ी: Google की Gemini 3.8 Live (15 सितंबर) और xAI की Voice Agent API (17 सितंबर) खरीदारों को 7 दिनों के भीतर तीन फुल-डुप्लेक्स वॉइस सतहें देती हैं; बेंचमार्क शूटआउट (Artificial Analysis-शैली) निकट हैं।
• डेटा/कानूनी फ़ॉलो-अप: OpenAI ने GPT-Live सिस्टम कार्ड प्रकाशित किया (जिसमें 4 अगस्त को एक सुधारा/पुनः-चलाया गया सुरक्षा मूल्यांकन दर्ज है); वॉइस-एजेंट परिनियोजन EU AI Act GPAI पारदर्शिता रिपोर्टिंग और GDPR ऑडियो-प्रोसेसिंग ऑडिट में दिखने लगेंगे।
• उत्पाद की दिशा: वॉइस-लेयर मूल्य में दबाव, सस्ती टेलीफ़ोनी के लिए mini-टियर, Advanced Voice Mode के साथ वीडियो/स्क्रीन-शेयरिंग की समानता ("working to introduce these capabilities soon" जुलाई की लॉन्च सामग्री के अनुसार), गहरा Codex/Agents-API एकीकरण, और Foundry/एंटरप्राइज़ अपनाने की अपेक्षा करें, जैसे-जैसे GPT-6 Astra का GA (17 सितंबर, S06) Azure पर फ्रंटियर मॉडलों को सामान्य बनाता है।

इस कहानी को "OpenAI opens its full-duplex real-time voice model to all developers — GPT-Live-1 hits the API at $0.05/minute" के रूप में रिपोर्ट करें — वीडियो मॉडल के रूप में नहीं। सुधार मायने रखता है: GPT-Live-1 केवल ऑडियो और टेक्स्ट लेता है, और OpenAI स्पष्ट है कि इमेज और वीडियो असमर्थित हैं, इसलिए "रियल-टाइम वीडियो एजेंट" वाला कोण अन्य मॉडलों का है (इमेज इनपुट वाला Realtime, या भविष्य के GPT-Live अपडेट)। असली समाचार-योग्य सार यह है: (1) ChatGPT-Voice-स्तर की फुल-डुप्लेक्स बातचीत एक कमोडिटी एपीआई के रूप में, स्पष्ट $0.05/min प्रति-सेकंड मूल्य पर; (2) यह स्थापत्य-दाँव कि वॉइस और रीज़निंग अलग-अलग परतें होनी चाहिए — वॉइस एजेंट कैसे बनते हैं इसका पुनर्ढाँचा, Realtime उपयोगकर्ताओं के लिए असली माइग्रेशन लागत के साथ; (3) उसी सप्ताह Google की Gemini 3.8 Live और xAI की $0.08/min Voice Agent API से टकराव, जिससे यह वह सप्ताह बनता है जब रियल-टाइम वॉइस एक प्लेटफ़ॉर्म युद्ध बन गई; और (4) Agents API बीटा तथा OpenAI Presence के साथ जुड़ाव, जो OpenAI का एंटरप्राइज़ वॉइस स्टैक पूरा करता है। बेंचमार्क दावों को विक्रेता-मापित के रूप में चिह्नित करें, और शुरुआती समुदाय-रिपोर्टेड प्रोडक्शन कमियों (ट्रांसक्रिप्ट प्राप्ति, हैंगअप विश्वसनीयता) को ईमानदारी से सामने लाएँ — डेमो और फ़ोन लाइन के बीच यही अंतर है।