Hoppa till huvudinnehåll
GPT-Live stöder att lyssna och tala samtidigt, tvåvägsundertexter och bakgrundsuppgifter. ChatGPT-röstsamtal i Studio använder gpt-live-1 för att bearbeta tal, medan komplexa frågor fortsätter att hanteras av den för närvarande valda chattmodellen.

Anslutning

Använd plattformens API Token för att ansluta till wss://realtime.acedata.cloud/v1/live/sessions. Autentiseringsuppgifter för Studio eller chatttjänsten använder wss://realtime.acedata.cloud/aichat2/live. Servern autentiserar via Authorization: Bearer <token>; webbläsaren överför autentiseringsuppgifter via WebSocket-underprotokoll för att undvika att skriva dem i URL:en:
Vänta på session.started och skicka sedan kontinuerligt session.input_audio.append, där audio är Base64-kodad råljuddata i 24 kHz, mono, 16-bitars little-endian PCM utan WAV-filhuvud. Skicka ljud enligt den faktiska samplingshastigheten; tysta segment måste också hållas kontinuerliga. Spela upp session.output_audio.delta.delta i ordning. Användarens och assistentens undertexter kommer från respektive session.input_transcript.delta och session.output_transcript.delta; behåll varje segments delta, start_ms och end_ms; båda sidornas undertexter kan växa samtidigt. Live har ingen slut-händelse för enskilda röstsvar; statusen ”svarar” bör uppdateras baserat på den lokala uppspelningskön.

Bakgrundsuppgifter

För närvarande stöds läget client-delegering. Efter att ha mottagit session.delegation.created anropar applikationen sin egen bakgrundstjänst baserat på röstundertexter och sparad kontext, och returnerar resultatet via session.thinking.append eller session.commentary.append, med motsvarande delegation_id och ren text i content på högst 500 token. Resultatet ska komma från en slutförd bakgrundsåtgärd; att talet avbryts betyder inte att bakgrundsuppgiften har avbrutits. Delegering till hanterade Responses, lagring av inspelningar, session.update, återupptagning av sessioner eller automatisk återanslutning stöds ännu inte. Modellen är fast gpt-live-1, ljudet är fast 24 kHz PCM16, och röst väljs när samtalet startas. Det gamla Realtime API:t kan fortfarande användas.

Debitering och avslut av samtal

Röst debiteras efter aktiv sessionstid: 0.01 Credits/sekund, det vill säga 0.6 Credits/minut, utan avrundning uppåt till hela minuter. Tid när användaren talar, assistenten talar, det är tyst, båda parter är tysta eller bakgrundsuppgifter väntar debiteras. Bakgrundsmodell- eller verktygsanrop debiteras separat enligt respektive API. Dollarpriset för Credits beror på påfyllningspaketet; se aktuella priser i konsolen. session.usage.updated.usage.seconds är kumulativ användning. Om exempelvis 12 sekunder tas emot först och sedan 15 sekunder, är totalen 15 sekunder. Plattformen debiterar endast den tillkommande tiden och räknar inte samma ögonblicksbild flera gånger. Skicka session.close när samtalet avslutas och fortsätt ta emot tills session.closed tas emot. Stäng sedan anslutningen och frigör mikrofonen. En tvångsbrytning kan innebära att den slutliga användningen inte bekräftas, vilket gränssnittet tydligt ska rapportera. Anslutningen avslutas vid otillräckligt saldo, misslyckad debitering eller när sessionsgränsen nås. Ett enskilt samtal kan som standard vara högst 30 minuter. Parameterfel returneras via händelsen error; error.client_event_id motsvarar ett misslyckat kommando. Vid startfel ska inspelningen stoppas och felet visas för att undvika att upprepade begäranden medför nya avgifter.