OpenAI, GPT‑Live 공개 — 풀듀플렉스 음성 AI의 새로운 기준

OpenAI가 ChatGPT Voice를 한 단계 더 끌어올렸다. GPT‑Live‑1과 GPT‑Live‑1 mini 두 모델을 동시에 공개하며, 듣기와 말하기를 동시에 처리하는 풀듀플렉스(Full-Duplex) 구조를 도입했다. 단순히 “음성 입출력을 텍스트로 변환한다”를 넘어, 사람이 실제로 대화하는 호흡에 가까운 AI 음성 경험을 노린 변화다.

풀듀플렉스가 기존과 다른 지점

기존의 음성 AI는 대부분 캐스케이드(cascade) 구조였다. ASR(음성→텍스트) → LLM 추론 → TTS(텍스트→음성) 순서로 파이프라인이 직렬로 연결되어 있어, 모델이 응답을 끝까지 생성한 뒤에야 사용자 입력을 새로 받을 수 있었다. 그 결과:

• 사용자가 말을 끊지 못함 (턴 기반)
• “어…” 같은 짧은 맞장구, 생각하는 침묵을 모델이 자연스럽게 인지하지 못함
• 응답 지연이 파이프라인 누적만큼 길어짐

• GPT‑Live는 듣기와 말하기를 동시에 처리*한다. 사용자가 생각하느라 말을 멈춘 짧은 침묵도 자연스러운 호흡으로 받아들이고, 모델이 응답 중에도 사용자의 끼어들기를 즉시 감지해 흐름을 이어갈 수 있다. 인간 대화가 가진 미세타이밍(micro-timing)에 근접한 상호작용이 가능한 셈이다.

핵심 성능 지표

오디오 응답 지연시간은 250ms 미만으로, 기존 캐스케이드 구조 대비 체감 지연이 크게 줄었다. 또한 일시 중단, 말더듬, 사용자가 생각하는 동안의 정적 침묵까지 모델 내부에서 자연스러운 패턴으로 인식한다. 단순히 “빨라졌다”가 아니라, “듣고 있다가 자연스럽게 끼어드는 모델”로 진화한 것이다.

두 모델의 포지셔닝

• GPT‑Live‑1 — 풀기능 모델. 서버·고성능 클라이언트 대상. Realtime API의 모든 기능을 그대로 활용할 수 있다.
• GPT‑Live‑1 mini — 저지연·저전력 엣지 디바이스용. 모바일, 웨어러블, 차량 인포테인먼트 같은 임베디드 시나리오에 초점을 맞췄다. 오디오 입력 토큰이 텍스트보다 비싸다는 점을 감안하면, 비용 민감 엣지 환경에 맞춰 경량화한 것이 특징이다.

개발자 관점 — Realtime API 통합

개발자 입장에서는 Realtime API 하나로 통합 접근이 가능하다. WebSocket 엔드포인트로 오디오 스트림을 송수신하며, function calling·시스템 프롬프트·MCP 등 기존 ChatGPT Completions API의 기능을 그대로 가져다 쓸 수 있다. 인터럽트, 바이어스 감지, 언어 감지 같은 실시간 특화 기능도 함께 제공된다.

오디오 입력 토큰이 텍스트보다 비싸다는 트레이드오프는 분명히 존재한다. 그러나 응답 속도와 상호작용 품질을 동시에 잡아야 하는 케이스 — 예컨대 통화 중 AI 에이전트, 실시간 통역, 키오스크의 자연스러운 음성 안내, 차량·도어록 같은 음성 인터페이스 — 에서는 비용 대비 효과가 크다.

앞으로의 영향

풀듀플렉스 음성은 단순한 응답 지연 단축이 아니라, AI가 “대화 상대”로 느껴지느냐를 가르는 기준선이 될 가능성이 높다. 사용자가 “어…” 한마디에도 자연스럽게 이어받지 못한다면, 그 모델은 도구로 남고, 자연스럽게 받아주는 모델은 동료가 된다. GPT‑Live는 그 경계를 한 칸 끌어올린 출시로, 이후 풀듀플렉스 기반 음성 에이전트 경쟁을 본격화하는 신호탄이 될 것이다.

요약

• OpenAI가 풀듀플렉스 음성 모델 GPT‑Live‑1, GPT‑Live‑1 mini 공개
• 듣기와 말하기 동시 처리, 250ms 미만 응답 지연
• 자연스러운 침묵·맞장구·인터럽트 인식
• Realtime API로 function calling·MCP·시스템 프롬프트 등 기존 기능 그대로 활용
• 풀기능 모델은 서버·고성능, mini는 엣지·임베디드 시나리오용
• AI 음성이 “도구”에서 “대화 상대”로 진화하는 신호탄

> 원본 출처: GeekNews — OpenAI, GPT‑Live 공개