OpenAI 新语音模型：嘴五美分一分钟，脑子另算
Hello，我是飞飞。
这两天开发圈的注意力都在 GPT-6 Astra 上。如果你也刷到另一条公告，9 月 10 号 OpenAI 把 GPT-Live-1 开放进 API，语音层每分钟 0.05 美元，你八成会跟我一样愣一下：嘴五美分一分钟，脑子另算？
我愣完的第一反应是：我那条语音记账管线，是不是该推倒重写了。
看完公告我想明白的是另一件事。这次真正的新东西，不是模型多强，是嘴和脑第一次拆开来卖；至于你该不该用，分界线只有一条：你的语音要不要对话。
老管线的活是排队的
我的 App 里有个语音记账功能，你对它说一句「午饭花了三十五」，它得变成一条记账记录。
实现走的是标准的级联管线，说人话就是接力赛：端上先跑一套规则解析，把这句话拆成金额和分类；规则拆不全的，异步丢给后端一个大模型兜底，设了 2 秒超时，超时就降级用规则的结果。
为什么不用大模型一把梭？图的是账算得清。记账是高频小动作，大部分单子「午饭三十五」这种格式，规则零成本就能吃下；真剩下那些说不清的，才值得花一次大模型的钱。整条链路里每一步出问题会发生什么，我都事先知道：解析失败走兜底，兜底超时走降级，没有一步是黑盒。
这套结构是行业里语音方案的通用形状：录音，转写成文字，文字喂给大模型，回答再交给语音合成念出来。四段排队，一段干完下一段才开工。
排队有个隐藏代价，平时没人提。转写那一步会把声音里的时机信息全丢掉：你犹豫的那半秒、说到一半改口的那句话、「嗯」「啊」的附和，进了文字全没了。所以传统语音助手听不懂「等一下，我说错了」，它只能等你说完才开始想。
我那条记账管线没这个问题，因为记账压根不需要对话。
全双工是边聊边干
先补个背景。GPT-Live-1 不是今天才存在的模型，7 月 8 号它就随 ChatGPT 语音模式上线了，当时只在自己家产品里跑，开发者够不着。两个月后开放 API，外头的人才算第一次拿到手。
它干的事，是把排队改成同时。它听和说同时进行，进出两路音频都开着，模型自己在持续决定：继续听、继续说、停一下、接住打断，还是把手头的活递出去。
官方给的对比数字是，在一个专测现场说话行为的 Full Duplex Bench 上，它比上一代 Realtime 模型高了 30 个百分点。这个基准测的东西挺特别：打断、轮次接替、背景里有人说话、听的人嗯嗯啊啊。传统跑分根本不测这些，没有哪张推理榜单管「语音助手会不会抢话」。
有一个第三方实测我觉得比跑分有意思。语言学习平台 Speak 换上它之后，学员思考停顿时被打断的次数少了将近八成。你练过口语就懂这个场景：你卡壳想词，机器抢着开口，那一下多败兴致。
它还能委托。对话进行到一半，它可以把需要动脑的活递给后端模型，比如 GPT-6 Astra，递出去之后嘴不停，接着跟你聊。简单请求路由给便宜模型，复杂请求才请出贵的。通话开着，不等于一直在烧最贵的推理。
配套的细节还有一批：12 个声音跨口音和方言，电话场景直接支持，模型顺手把你说的话和它的回答都吐成文字，方便你留存。它走的是一条叫 live sessions 的独立通道，说人话就是专门跑实时语音的专线，老的 Chat Completions 文本接口接不了它。
嘴和脑分开计价
计价方式比模型本身更值得盯。每分钟 0.05 美元只是语音层的价格，按秒计费不进位。后端模型的推理、工具调用，按它们自己的正常价另算。
我把口径摊开，你自己算：
| 项目 | 口径 | 价格 |
|---|---|---|
| 语音层 | 按通话时长，按秒计 | 每分钟 $0.05 |
| 后端推理 | 按模型 token，正常 API 价 | 另算 |
| 工具调用 | 按所用工具的价 | 另算 |
上次 GPT-5.6 是按聪明程度分档卖，这次是按器官分工卖：嘴一个价，脑一个价。
拆着卖还有一层意思：嘴的价格锁死了，脑的部分你随便换。今天配 GPT-6 Astra，明天换成便宜的跑简单请求，嘴都不用动。计价切在嘴和脑之间，等于把选哪个脑子的权力，还给了开发者。
账别只看嘴价。我做过一套有声书。合成之前我拿正文字数估了个成本，自以为很稳。结算那天账单出来，是预估的 1.7 倍。我翻着明细对了半天才发现：标点在算钱，空格在算钱，连每句话之间那半秒的停顿，都在算钱。语音这东西的账单，从来比标价胖。OpenAI 自己也提醒：该按每次接通解决任务的完整成本算，不是按分钟价。
有个早期客户把级联语音栈换成 GPT-Live-1，转写、状态机、打断判断那一摞胶水代码全不要了，删了约两万三千行，相当于把接力赛四棒之间所有的交接棒代码整个撕掉。官方引用这个案例时老实标注了是个案，别拿它推自己的项目。
跑分那边还有一组数：配套后端模型跑 Tau3，一个专测语音 agent 完成任务的评测，它配 GPT-6 Astra 排第一，任务成功率 86.2%，上一代 Realtime 是 45.7%。不过这些都是厂商发布口径，我自己那句老话还得放上：榜是别人的考场，我项目里好不好用才是我的考场。
你的语音要对话吗
回到开头。我为什么想岔了？因为记账场景里，级联管线反而是对的。
我的语音记账不需要对话。用户说完一句话，要的是一条结构化记录，来回聊反而是打扰。级联加兜底便宜、可控、好调试：规则能吃下八成的单子，大模型只兜剩下的两成，兜不住还有 2 秒超时给我垫底。全双工的「同时」，在这个场景里是白付的能力。
顺带交代我自己的语音入口。我天天口喷豆包，语音转成文字喂给 Claude Code 干活。看着是语音工作流，其实还是排队：豆包转完，Claude 接住才开干，中间没有「同时」。真给它配上全双工的耳朵和嘴，我的工作流会变成什么样，我自己也还没想清楚。
做记账功能那阵子我还撞见过一个同路人。有个学生拿小米遥控器给 Mac 当控制器，语音那一步同样不自己做识别，把声音搬给现成的输入法。我当时看完只想到自己那套规则解析，原来绕了半天，聪明人的答案都一样：识别这种又重又成熟的活，别自己造，把搬运和兜底做好就行。这条工程直觉没变，只是全双工出现后，它的适用域被划得更清楚了。
分界线在这儿。
要对话、要打断、要边聊边办事的，客服、订座、语音 agent，全双工是正经新选项。一次输入、一个结果、不需要来回的，转写加大模型那条老路还是更省。
老实交代，GPT-Live-1 我还没接，这篇讲的是公告和多方核实的事实，不是我的实测。厂商基准是发布时的口径，独立的生产实测还没跟上，延迟到底什么体感，得等我真接一段再说。全双工听着美好，打断接得顺不顺、背景噪音扛不扛得住、长时间通话稳不稳，这些只有真跑起来才知道。
我打算拿它做个小实验：给记账加一个对话版，让它边聊边记，看看嘴价加脑价，算下来比我那条 2 秒超时的土管线贵多少。跑通了单独写一篇跟你对账。
你手头有没有那种说出来比打字快的场景？你现在是语音转文字再喂给模型，还是已经在琢磨全双工的事了？评论区聊聊，我想看看有多少人的管线跟我一样，还在排队。