GPT-Live-1: nowy ChatGPT Voice potrafi słuchać i mówić jednocześnie

OpenAI wprowadza GPT-Live-1 i GPT-Live-1 mini, nową generację modeli głosowych, które mają sprawić, że rozmowa z ChatGPT będzie mniej przypominała wydawanie komend, a bardziej zwyczajny dialog. Najważniejszą zmianą nie jest nowy głos ani szybsze odczytywanie odpowiedzi. Modele potrafią słuchać i mówić jednocześnie.

Premiera została potwierdzona 8 lipca 2026 roku w oficjalnym komunikacie OpenAI, karcie systemowej GPT-Live oraz informacjach o wydaniach ChatGPT. GPT-Live-1 ma stać się domyślnym modelem głosowym w planach Go, Plus i Pro, natomiast użytkownicy planu Free otrzymają lżejszy wariant GPT-Live-1 mini.

To może brzmieć jak niewielka aktualizacja interfejsu, ale pod spodem kryje się istotna zmiana architektury. ChatGPT nie musi już czekać, aż użytkownik skończy wypowiedź, przetworzyć jej i dopiero wtedy zacząć odpowiadać. GPT-Live przez cały czas ocenia, czy powinien słuchać, odezwać się, zrobić pauzę, pozwolić sobie przerwać albo uruchomić dodatkowe narzędzie.

GPT-Live-1 w skrócie

Obszar	Informacja
Modele	GPT-Live-1 oraz GPT-Live-1 mini
Data premiery	8 lipca 2026
Główna zmiana	rozmowa głosowa w architekturze full-duplex
Plany płatne	GPT-Live-1 dla Go, Plus i Pro
Plan Free	GPT-Live-1 mini
Platformy	ChatGPT w przeglądarce oraz aplikacje iOS i Android
Model do trudniejszych zadań	na starcie GPT-5.5 działający w tle
API	zapowiedziane, ale niedostępne w dniu premiery
Ograniczenia	brak obsługi rozmowy głosowej z wideo i udostępnianiem ekranu

Co oznacza full-duplex

Dotychczasowe systemy głosowe zwykle działały turami. Użytkownik mówił, system wykrywał ciszę, uznawał wypowiedź za zakończoną i dopiero wtedy przygotowywał odpowiedź. Nawet Advanced Voice Mode, który przetwarzał dźwięk bezpośrednio, wciąż był mocno zależny od rozpoznania końca tury.

To prowadziło do sytuacji znanych każdemu, kto dłużej rozmawiał z asystentem głosowym: krótka pauza była uznawana za koniec zdania, hałas w tle dezorientował model, a wejście użytkownikowi w słowo wymagało gwałtownego przerwania odpowiedzi.

GPT-Live ma działać inaczej. W architekturze full-duplex wejście i wyjście są obsługiwane równolegle. Model nie czeka na wyraźny koniec wypowiedzi, lecz wielokrotnie w ciągu sekundy decyduje, czy nadal słuchać, odpowiedzieć, przerwać własną wypowiedź lub pozostać w ciszy.

W praktyce użytkownik powinien móc:

• przerwać odpowiedź pytaniem bez „walki” z interfejsem;
• zatrzymać się na chwilę, aby zebrać myśli;
• poprosić model, by tylko słuchał;
• zmienić tempo rozmowy w trakcie wypowiedzi;
• prowadzić szybką wymianę zdań i korzystać z tłumaczenia na żywo;
• rozmawiać w otoczeniu, w którym pojawia się ruch uliczny lub inne głosy.

OpenAI dodaje również krótkie sygnały aktywnego słuchania, takie jak potwierdzenia, że model nadal śledzi wypowiedź. To detal, ale właśnie takie elementy decydują o tym, czy rozmowa brzmi naturalnie, czy przypomina kontakt z automatyczną infolinią.

GPT-Live nie zastępuje GPT-5.5

Warto jasno rozdzielić dwie role. GPT-Live-1 odpowiada przede wszystkim za ciągłość rozmowy: słuchanie, tempo, przerwy, intonację i decyzję o tym, kiedy się odezwać. Nie musi samodzielnie rozwiązywać każdego trudnego problemu.

Jeżeli pytanie wymaga wyszukania informacji, dłuższego rozumowania albo wykonania bardziej złożonej pracy, GPT-Live może przekazać zadanie modelowi frontier działającemu w tle. W dniu premiery jest nim GPT-5.5. Model głosowy może w tym czasie podtrzymać rozmowę, a po zakończeniu pracy przekazać wynik użytkownikowi.

To jeden z najciekawszych elementów premiery. OpenAI rozdziela interfejs rozmowy od modelu wykonującego cięższą pracę. Dzięki temu warstwa głosowa może być szybka i responsywna, a zaplecze może być regularnie wymieniane na nowsze modele bez przebudowy całego sposobu interakcji.

OpenAI podaje, że warianty GPT-Live-1 w trybach Instant i mini korzystają w tle z GPT-5.5 Instant. Ustawienia Medium i High mają delegować zadania do GPT-5.5 Thinking z odpowiednio większym wysiłkiem rozumowania.

Jak zmienia się ChatGPT Voice

Nowy Voice działa wewnątrz zwykłej rozmowy ChatGPT. Odpowiedź głosowa pojawia się równolegle z tekstem, a użytkownik nadal może korzystać z wyszukiwania w sieci, pamięci, obrazów i przesłanych plików. Podczas rozmowy mogą być wyświetlane także wizualne karty, na przykład z pogodą, notowaniami, wynikami sportowymi lub mapą.

To ważne, ponieważ głos przestaje być osobnym, uproszczonym trybem produktu. Staje się kolejnym sposobem obsługi tej samej rozmowy. Można zacząć pytanie głosem, zobaczyć wynik na ekranie, odnieść się do pliku i dalej kontynuować bez przełączania się między kilkoma narzędziami.

OpenAI twierdzi, że każdego tygodnia ponad 150 milionów osób używa funkcji Voice i Dictation. Nawet niewielka poprawa płynności dotknie więc bardzo dużej grupy. Największe znaczenie może mieć dla osób uczących się języków, korzystających z ChatGPT bez użycia rąk, ćwiczących rozmowy albo potrzebujących większej dostępności interfejsu.

GPT-Live-1 a GPT-Live-1 mini

Podział jest prosty: pełny GPT-Live-1 trafia do użytkowników Go, Plus i Pro, a GPT-Live-1 mini ma być domyślnym modelem dla kont Free. OpenAI nie opublikowało przy premierze pełnego zestawienia różnic dotyczących limitów i wszystkich możliwości obu wariantów.

Karta systemowa potwierdza jednak, że oba modele korzystają z tej samej podstawowej idei ciągłej rozmowy. Oba mają rozumieć pauzy i przerwania, a także słuchać podczas generowania wypowiedzi. Różnica będzie prawdopodobnie najbardziej widoczna w jakości, dostępnych limitach i obsłudze trudniejszych przypadków, ale warto poczekać na testy prowadzone na rzeczywistych kontach.

Dostępność i ograniczenia

Rollout rozpoczął się 8 lipca i obejmuje ChatGPT w przeglądarce oraz aplikacje na iOS i Androida w obsługiwanych regionach. Wdrażanie jest stopniowe, dlatego nowy model może nie pojawić się na każdym koncie w tej samej chwili.

Na starcie GPT-Live-1 nie jest dostępny w workspace'ach ChatGPT Business, Enterprise i Edu. OpenAI zapowiada również udostępnienie modeli przez API, ale nie podaje jeszcze konkretnej daty ani cennika.

Nowy Voice nie obsługuje obecnie rozmów z włączonym wideo ani udostępnianiem ekranu. Uprawnieni subskrybenci mogą nadal korzystać z tych funkcji w starszym Advanced Voice Mode. OpenAI ostrzega też, że jakość nie jest jednakowa we wszystkich językach: w części z nich może pojawiać się obcy akcent lub mniejsza płynność.

Bezpieczeństwo rozmowy w czasie rzeczywistym

Głos tworzy inne ryzyka niż tekst. Rozmowa rozwija się szybko, może mieć emocjonalny charakter, a użytkownik nie zawsze zatrzymuje się, aby przeczytać odpowiedź jeszcze raz. Dlatego OpenAI przygotowało ewaluacje dotyczące między innymi samookaleczeń, psychozy i manii, zależności emocjonalnej, przemocy, oszustw, treści seksualnych oraz prób naśladowania głosu.

Zabezpieczenia działają także podczas wypowiedzi. Jeżeli system wykryje potencjalnie niebezpieczną treść, może zmienić kierunek odpowiedzi, odtworzyć komunikat bezpieczeństwa, pokazać materiały pomocowe, a w przypadkach wysokiego ryzyka zakończyć rozmowę.

GPT-Live korzysta z zestawu zdefiniowanych głosów i nie został zaprojektowany do podszywania się pod konkretne osoby. Według karty systemowej same modele Live, bez delegowania pracy, nie osiągają wysokiego poziomu ryzyka w kategoriach biologicznych, cyberbezpieczeństwie ani samodoskonaleniu AI. Przy delegacji obowiązują zabezpieczenia modelu wykonującego dane zadanie.

Czy to naprawdę duża premiera

GPT-Live-1 nie jest kolejnym modelem frontier, który ma wygrać wszystkie benchmarki. To raczej nowa warstwa kontaktu z modelami. Jej znaczenie będzie zależało nie od jednego wyniku testu, lecz od tego, czy po kilku minutach rozmowy użytkownik nadal czuje, że rozmawia z maszyną czekającą na komendy.

Jeśli full-duplex zadziała tak, jak opisuje to OpenAI, najważniejsza zmiana będzie prosta: użytkownik przestanie dopasowywać sposób mówienia do ograniczeń asystenta. To asystent będzie musiał dopasować się do ludzkich pauz, przerwań i zmiennego tempa.

Właśnie dlatego GPT-Live może być ważniejszy, niż sugeruje jego pozycja w rankingu modeli. Nie podnosi wyłącznie poziomu „inteligencji”. Próbuje usunąć tarcie z rozmowy, przez które nawet dobry model głosowy potrafił brzmieć jak źle zaprojektowana infolinia.