OpenAI ouvre sa voix aux développeurs : GPT-Live-1 à 5 centimes la minute

Le modèle qui fait parler ChatGPT est passé en API le 10 septembre. Il écoute et parle en même temps, donc tu peux le couper sans casser la conversation. Douze voix, transcription native, facturation à la minute.

Par Tom Valois, le 16 septembre 2026. Catégorie : Tech & IA.

OpenAI ouvre sa voix aux développeurs : GPT-Live-1 à 5 centimes la minute

Tu as déjà vécu cette scène. Tu poses une question à un assistant vocal, il part dans une réponse en trois paragraphes, tu comprends au bout de cinq mots que ce n'est pas ce que tu voulais, tu essaies de le couper, et il continue son monologue encore trois secondes avant de s'arrêter net et de te demander de répéter. La conversation est morte. Ce décalage minuscule est le principal responsable du fait qu'on parle encore à nos machines comme à un répondeur. C'est exactement ce qu'OpenAI dit avoir corrigé.

Full duplex, en français courant

Le terme vient de la téléphonie. Un système half duplex, c'est un talkie-walkie : un seul canal, une seule personne qui parle à la fois, et il faut relâcher le bouton pour écouter. Un système full duplex, c'est un téléphone : les deux canaux sont ouverts en permanence, chacun peut parler pendant que l'autre parle. GPT-Live-1, sorti le 10 septembre 2026 dans l'API d'OpenAI, applique ce principe à un modèle de langage. Il écoute pendant qu'il parle. Concrètement, tu peux l'interrompre au milieu d'une phrase, il s'arrête au bon endroit, il a entendu ce que tu as dit pendant qu'il parlait, et il reprend là-dessus. OpenAI revendique trente points de mieux que son prédécesseur GPT-Realtime-2.1 sur le Full Duplex Bench, le test de référence sur ce point précis. Le modèle arrive avec douze voix, une détection de tour de parole, et il produit nativement transcriptions et texte de réponse.

Cinq centimes la minute, et ce que ça implique

Le tarif annoncé est de 0,05 dollar par minute de conversation. C'est important de comprendre ce que ce chiffre mesure : on ne facture plus des jetons, on facture du temps d'antenne, comme un opérateur téléphonique. Et là, la comparaison devient très concrète pour n'importe quel directeur de service client. Trois dollars de l'heure pour une voix qui répond à toute heure, dans douze timbres différents, sans pause déjeuner. Attention toutefois, ce prix ne couvre que la couche vocale : le coût du modèle qui réfléchit derrière est facturé séparément, et OpenAI n'a pas publié d'exemple de coût complet par appel, ni de chiffres de latence. Un client cité par l'entreprise affirme avoir supprimé vingt-trois mille lignes de code après avoir basculé dessus, l'essentiel étant la logique maison qui gérait les interruptions. C'est peut-être le meilleur résumé de ce que vend ce modèle : il fait disparaître un problème d'ingénierie que tout le monde bricolait dans son coin.

Quelques précisions techniques valent la peine d'être notées si tu construis quelque chose avec. Les douze voix sont pensées pour le temps réel, pas reprises telles quelles du catalogue existant. Le modèle produit lui-même les transcriptions et le texte de réponse, ce qui évite d'empiler une brique de reconnaissance vocale par-dessus, et il accepte un biais sur mots-clés, utile quand ton service doit reconnaître des noms de produits ou des références qu'un modèle généraliste écorche systématiquement. La détection de tour de parole est intégrée, donc la logique qui décidait quand l'assistant devait se taire disparaît de ton code. Ce qui manque à l'appel, en revanche : OpenAI n'a communiqué aucun chiffre de latence et aucun exemple de coût complet par appel intégrant le modèle de raisonnement, ce qui rend le calcul de rentabilité difficile à faire avant d'avoir branché le service et regardé la facture.

Les usages visés sont clairs : support téléphonique, prospection commerciale, agents vocaux dans les jeux, doublage réactif. Et c'est là qu'il faut poser une question sans la trancher. Jusqu'ici, une voix synthétique se trahissait toute seule au bout de deux phrases, justement par ces micro-décalages. Quand elle réagit comme une personne, quand elle te laisse la couper et rebondit, le signal disparaît. À partir de quel moment est-on tenu de prévenir la personne au bout du fil qu'elle parle à un modèle ? La réglementation européenne sur l'IA impose déjà une information en cas d'interaction avec une machine, mais entre le texte de loi et une PME qui branche une API en trois jours, il y a un espace où il ne se passe rien.

Une régression mérite d'être notée au passage, parce qu'elle est passée inaperçue dans les annonces : GPT-Live-1 perd l'entrée image que proposait GPT-Realtime-2.1, et ne gère pas la vidéo. Si tu construisais un assistant capable de regarder ce que ton utilisateur lui montre tout en discutant, le nouveau modèle te fait reculer d'un cran. Autrement dit, on n'a pas encore un seul modèle qui fait tout : on a une voix qui converse enfin normalement, et une paire d'yeux restée dans la version d'avant. Pour les mois qui viennent, le test grandeur nature se fera tout seul : si tu appelles un service client d'ici à Noël et que la conversation coule sans ce blanc gênant au moment où tu coupes la parole, tu sauras exactement ce qu'ils ont branché derrière.

Les derniers articles CTRL-POP

Tous les articles · Toutes les thématiques · L'équipe CTRL-POP

OpenAI ouvre sa voix aux développeurs : GPT-Live-1 à 5 centimes la minute

Full duplex, en français courant

Cinq centimes la minute, et ce que ça implique

À lire aussi en Tech & IA

Les derniers articles CTRL-POP