Mi az OpenAI GPT-Live, és mi változik a ChatGPT hangfunkciójában? A GPT-Live az OpenAI 2026. július 8-án bejelentett új generációs hangmodell-családja, amely mostantól a ChatGPT Voice élményt hajtja. A kulcsújdonság a full-duplex architektúra: a modell egyszerre tud hallgatni és beszélni, így valós időben, másodpercenként sokszor dönt arról, hogy megszólaljon, tovább figyeljen, szünetet tartson vagy félbeszakítson — pontosan úgy, ahogy egy ember egy beszélgetésben. Két verzió indul: a GPT-Live-1 (a Go, Plus és Pro fizetős csomagok alapértelmezett hangmodellje) és a GPT-Live-1 mini (az ingyenes felhasználók alapértelmezettje). Ha a kérdés mélyebb keresést vagy érvelést igényel, a GPT-Live a háttérben a GPT-5.5 modellnek delegálja a munkát, miközben fenntartja a beszélgetés folyását. A rollout globális (iOS, Android, ChatGPT.com), az API pedig „hamarosan" érkezik. Magyar felhasználónak ez természetesebb, kevésbé akadozó hangos ChatGPT-t jelent; magyar KKV-nak pedig előrevetíti azt a technológiát, amely a következő lépcsőben a telefonos ügyfélszolgálatot és az élő tolmácsolást is átírja.
Van egy pillanat minden technológiai váltásnál, amikor egy régóta ismert dolog hirtelen máshogy kezd viselkedni. 2026. július 8-án ez a pillanat a ChatGPT hangfunkciójáé volt: aki aznap megnyomta a Voice gombot, már nem a megszokott, körökre osztott beszélgetést kapta, hanem egy olyan AI-t, amelyik miközben figyel, közben reagálni is tud — bólint egy „mhmm"-mel, bevár, ha gondolkodsz, vagy finoman közbevág, ha félreértett valamit. Az OpenAI ezt a modellt nevezte el GPT-Live-nak, és ezzel most először folytathatsz igazán élő beszélgetést a ChatGPT-vel.
A bejelentés első ránézésre „csak" egy jobb hangasszisztens. De a felszín alatt egy architekturális ugrás van, amit érdemes megérteni — nemcsak azért, mert a mindennapi ChatGPT-használatot átírja, hanem mert megelőlegezi, hogyan fog a hang néhány hónapon belül üzleti interfésszé válni. Ebben a cikkben végigvesszük, mit jelentett be pontosan az OpenAI, mi az a full-duplex, mennyivel jobb a számok szerint, hogyan áll a verseny (Google, Apple, Amazon), és — ami a legfontosabb — mit jelent mindez egy magyar felhasználónak és egy magyar KKV-nak. Az összes adatot az OpenAI hivatalos bejelentéséből, a TechCrunch beszámolójából és az OpenAI rendszerkártyájából állítottam össze, mindegyiket ellenőriztem.
Mit jelentett be az OpenAI 2026. július 8-án?
Az OpenAI a GPT-Live-ot „egy új generációs hangmodell-családként" mutatta be, amely „úgy érződik, mintha valódi beszélgetést folytatnál". A vállalat egyszerre két verziót kezdett kigurítani globálisan a ChatGPT-felhasználóknak: a nagyobb GPT-Live-1-et és a könnyített GPT-Live-1 mini-t. Mindkettő ugyanazon az elven működik — full-duplex, vagyis egyszerre hallgat és beszél —, de eltérő teljesítményszinten és eltérő csomagokban érhető el.
A modell a régi Advanced Voice Mode helyére lép, és mostantól ez hajtja a ChatGPT Voice-t. Az OpenAI szerint hetente több mint 150 millió ember beszél a ChatGPT-vel a Voice és a Dictation funkciókon keresztül — kihangosított mindennapi segítségre, nyelvtanulásra, esti mesékre vagy csak sofőrködés közbeni csevegésre. Ez a szám adja meg a bejelentés súlyát: nem egy nišfunkcióról, hanem több százmillió interakció alapélményének a lecseréléséről van szó.
A TechCrunch briefingjén Atty Eleti, a ChatGPT Voice termékvezetője elárulta, hogy séta közben már 30-40 perces beszélgetéseket is folytatott a funkcióval — ami jól jelzi, milyen használati mintára tervezték. Eleti szerint a hang hosszabb távon a számítástechnika elsődleges felületévé válhat: „Idővel azt gondoljuk, ez azt is lehetővé teszi majd, hogy a hangot a számítástechnika egyfajta elsődleges interfészeként használjuk, és egyre összetettebb, hosszú futású agentikus munkát kezeljünk vele."
Mi az a full-duplex, és miért nagy ugrás a korábbiakhoz képest?
A „full-duplex" a távközlésből kölcsönzött kifejezés: azt jelenti, hogy egy csatorna egyszerre képes adni és venni — mint a telefon, ahol mindkét fél beszélhet egyszerre, szemben a walkie-talkie-val, ahol felváltva. Az AI-hangmodelleknél ez évekig megoldatlan probléma volt. Az OpenAI a bejelentésben maga is végigvezeti, hogyan jutottunk idáig:
- Kaszkádolt rendszerek (az eredeti ChatGPT Voice): három modell láncba fűzve — beszéd-szöveg átirat (STT), majd egy nyelvi modell a válaszra, végül szöveg-beszéd (TTS). Ez tette lehetővé először, hogy frontier modellel beszélgessünk, de „információ veszhetett el a modellek között, és a válaszok lassúak, akadozók voltak".
- Kör-alapú modellek (Advanced Voice Mode): egyetlen modell dolgozta fel és generálta a hangot, csökkentve a késleltetést — de „diszkrét körökben" működött. Meg kellett várnia, amíg abbahagyod a beszédet, és mivel a kör végét a csend alapján érzékelte, „már egy rövid szünet vagy háttérzaj is a kör végének tűnhetett", természetellenes félbeszakításokat okozva.
- GPT-Live (full-duplex): „ahelyett, hogy különálló üzenetek sorozatát dolgozná fel, a GPT-Live folyamatosan dolgozza fel az inputot, miközben generálja az outputot". Így „másodpercenként sokszor" tud döntést hozni: beszéljen, tovább hallgasson, szüneteljen, félbeszakítson vagy hívjon meg egy eszközt.
A táblázat összefoglalja a három megközelítés közti különbséget:
| Megközelítés | Működés | Fő korlát |
|---|---|---|
| Kaszkádolt (STT→LLM→TTS) | Három külön modell láncban | Lassú, akadozó, információveszteség |
| Kör-alapú (Advanced Voice Mode) | Egy modell, de felváltva | Csendre vár; szünet/zaj = téves félbeszakítás |
| Full-duplex (GPT-Live) | Egyszerre hallgat és beszél, folyamatosan | Legnépszerűbb nyelvekre optimalizált |
Van azonban egy második, legalább ilyen fontos architekturális változás: a delegáció. A delegáció itt azt jelenti, hogy a hangmodell nem maga oldja meg a nehéz feladatot, hanem valós időben átadja egy erősebb háttérmodellnek, és annak eredményét fűzi vissza a beszélgetésbe. Az OpenAI szétválasztotta a folyamatos interakciót kezelő GPT-Live-ot a „mélyebb munkától". Amikor egy kérdés keresést, érvelést vagy összetettebb, agentikus képességet igényel, a GPT-Live a háttérben átadja a feladatot egy erősebb modellnek — a bejelentés szerint induláskor a GPT-5.5-nek —, és „miközben az dolgozik, a GPT-Live tovább tud beszélni veled, fenntartva a beszélgetés folyását". Ez azt is jelenti, hogy ahogy az OpenAI újabb frontier modelleket ad ki, a GPT-Live háttérmodellje folyamatosan frissül, anélkül hogy a hangélményt újra kellene tervezni.
Mennyivel jobb a ChatGPT új hangja? A benchmark számok
Az OpenAI új, emberi értékelésen alapuló méréseket épített, amelyek a beszélgetés kellemességét és folyását vizsgálják. A 5-10 perces, párosított beszélgetésekben a GPT-Live-1 és a mini is „erősen preferált" volt az Advanced Voice Mode-dal (AVM) szemben — a teljes preferencia, a körváltás, a félbeszakítások kezelése és a természetesség mentén egyaránt. A konkrét számok:
| Mérés | GPT-Live-1 | GPT-Live-1 mini | Advanced Voice Mode |
|---|---|---|---|
| Preferencia AVM ellen (50% = paritás) | 75,7% | 69,2% | — |
| Beszélgetés folyása (7-ből) | 4,96 | 4,33 | 3,80 |
| Kellemesség (7-ből) | 5,19 | 4,47 | 3,82 |
| GPQA — tudományos érvelés | 84,2% (High) | 74,9% | 45,3% |
| BrowseComp — agentikus keresés | 75,2% (High) | 31,6% | 0,7% |
Forrás: OpenAI, „Introducing GPT-Live". A GPQA szakértői szintű tudományos érvelést mér (biológia, kémia, fizika), a BrowseComp pedig az agentikus webes keresést. A GPT-Live-1 instant/medium/high az érvelési szinteket jelöli; a GPQA és BrowseComp High-értékek a legmagasabb érvelési szinthez tartoznak.
A BrowseComp-sor önmagában is beszédes: az Advanced Voice Mode 0,7%-a gyakorlatilag azt jelenti, hogy a régi hangmód alig volt képes nehezen megtalálható információt kikeresni a webről — a GPT-Live-1 High 75,2%-a viszont már használható agentikus keresés. Ez pontosan a delegációs architektúra hozadéka: a hangmodellnek nem kell mindent magának tudnia, elég, ha a megfelelő pillanatban a megfelelő háttérmodellhez fordul.
GPT-Live-1 vs. GPT-Live-1 mini: melyiket kapod?
A kettő közti választás nem rajtad múlik, hanem a csomagodon. Az OpenAI így osztotta fel:
| Modell | Kinek az alapértelmezettje | Háttérmodell |
|---|---|---|
| GPT-Live-1 | Go, Plus, Pro (fizetős) felhasználók | GPT-5.5 Instant; Medium/High szinten GPT-5.5 Thinking |
| GPT-Live-1 mini | Ingyenes felhasználók | GPT-5.5 Instant |
A gyakorlatban: az ingyenes felhasználók is kapnak full-duplex, természetes hangélményt (a mini így is jócskán a régi Advanced Voice Mode fölött teljesít), de a mélyebb érvelést, a Medium és High gondolkodási szinteket és az agentikus keresés csúcsteljesítményét a fizetős GPT-Live-1 tartogatja. A hangélményhez emellett kilenc újrakevert hang tartozik, és a modell menet közben vizuális kártyákat is meg tud jeleníteni — időjárást, tőzsdei adatot, sporteredményt, térképet —, valamint továbbra is támogatja a keresést, a memóriát, a képeket és a fájlfeltöltést.
Egy fontos korlát: induláskor a GPT-Live nem támogatja a videót és a képernyőmegosztást a hangbeszélgetésben (ezek „hamarosan" jönnek), és aki ezekre a funkciókra épít, az egyelőre a régi Standard és Advanced Voice Mode-hoz nyúlhat vissza.
Hogyan áll a verseny — Google, Apple, Amazon és a startupok?
Az OpenAI nem egyedül fut ezen a pályán. A természetes, valós idejű hang lett 2026 egyik fő AI-csatatere:
- Google: egy hónappal korábban, 2026. június 9-én mutatta be a Gemini 3.5 Live Translate-et — egy valós idejű, beszéd-beszéd fordítómodellt 70+ nyelvre. A Google itt is a „folyamatos generálás" elvét alkalmazza: „a kör-alapú rendszerekkel ellentétben, amelyek megvárják, míg a beszélő befejezi, a 3.5 Live Translate folyamatosan generál beszédet", pár másodperccel a beszélő mögött maradva. A Gemini Live tehát a fordítás terén már a folyamatos működés felé mozdult, de ez fordítómodell, nem teljes társalgási full-duplex asszisztens — itt a GPT-Live egy lépéssel tovább megy a társalgási térben.
- Apple: a TechCrunch szerint az iOS 27 bétában a Siri hangsebessége és kifejezőkészsége is állíthatóvá vált — az Apple is a természetesebb hangasszisztens felé mozdul. (Az Apple Siri és az iOS 27 AI-fordulatáról és annak magyar KKV-hatásáról külön is írtunk.)
- Amazon és startupok: az Alexa is beszélgetősebb lett, a Sesame (az Oculus társalapítója, Brendan Iribe és Ankit Kumar cége) és a Monogram (40 millió dolláros seed a DST és a Lux Capital részéről) pedig a vizuális, interaktívabb asszisztensek felé megy.
A verseny iránya közös: a hang-AI a kör-alapú, „adok-veszek" logikából a folyamatos, emberi tempójú beszélgetés felé tart. Az OpenAI full-duplex társalgási modellje most ennek a leginkább kiforrott fogyasztói megvalósítása — de a mezőny sűrű, és a különbségek hónapok alatt tűnhetnek el.
Biztonságos-e a valós idejű hang-AI?
A valós idejű hang új kockázatokat is hoz: a beszélgetés menet közben zajlik, nincs idő utólag moderálni. Az OpenAI ezért a GPT-Live-ot „alapból biztonságosra" tervezte, és a rendszerkártyában részletezi a megközelítést. A kockázati területek között szerepel az önkárosítás, a pszichózis és mánia, az AI-tól való érzelmi függés, az erőszak és a szexuális tartalom. A modellt belső szakértők red-teamezték a hangra jellemző kockázatokra, és a vállalat audio-natív, valamint szintetikus (generált hangon alapuló) értékeléseket is bevezetett.
A rendszerkártya megfogalmazása szerint „a GPT-Live modellek általánosságban azonos vagy jobb biztonsági teljesítményt nyújtanak ezeken az ellenségesen kiválasztott prompteken, mint az AVM modellek", és a Safety Advisory Group megállapította, hogy egyik modell sem tekinthető „magas" kockázatúnak az OpenAI Preparedness Framework egyik nyomon követett kategóriájában sem. A valós idejű biztonsági rétegek menet közben is be tudnak avatkozni: biztonságosabb válasz felé terelnek, extra segítő üzenetet jelenítenek meg, vagy magasabb kockázatú esetben lezárják a beszélgetést; önkárosításnál a rendszer szakértők által ellenőrzött krízisvonal-támogatást ajánl. A tinédzserekre külön védelmek és kor-megfelelő viselkedés vonatkoznak, a szülők pedig a Parental Controls révén dönthetnek a hozzáférésről. Végül fontos: a GPT-Live beszélgetésre készült, nem hangimitációra — előre definiált hangokat használ, és beépített védelemmel akadályozza, hogy valódi személy hangját utánozza.
Mit jelent ez a magyar felhasználónak és a magyar KKV-nak?
Kezdjük a hétköznappal. A rollout globális, tehát a magyar ChatGPT-felhasználók is megkapják a full-duplex hangélményt iOS-en, Androidon és a ChatGPT.com-on. Egy fenntartás azonban ide tartozik: az OpenAI a modellt „a legnépszerűbb nyelvekre" optimalizálta, és jelezte, hogy „egyes nyelveknél a modellnek nem anyanyelvi akcentusa vagy gördülékenységi hiányosságai lehetnek". A magyar nyelvre az OpenAI nem adott ki külön minőségi garanciát, a TechCrunch demója pedig épp a hindi élő fordításnál mutatott erős amerikai akcentust — érdemes tehát reális várakozásokkal indulni, és a magyar hangminőséget saját használatban tesztelni.
És itt jön a fontos megkülönböztetés, amit sok cikk összemos. A GPT-Live jelenleg fogyasztói termék: a ChatGPT Voice-t hajtja, nem egy fejlesztői API-t. Ha egy magyar KKV telefonos ügyfélszolgálati hangbotot, lead-kvalifikáló hívórendszert vagy beépíthető voice agentet szeretne, arra ma nem a GPT-Live, hanem a fejlesztőknek szánt hangmodellek valók — erről a fejlesztői oldalról részletesen írtunk az OpenAI GPT-Realtime-2 elemzésünkben, illetve az egy prompttal voice agentté alakító ElevenLabs Speech Engine cikkünkben.
A GPT-Live jelentősége a KKV-k számára inkább irányjelző: az OpenAI most a fogyasztói ChatGPT-ben teszi tömegtermékké a full-duplex + delegációs architektúrát, és a bejelentés szerint az API „hamarosan" követi. Amint az API megérkezik, ugyanez a természetes, félbeszakítható, közben a háttérben érvelő hangélmény lesz beépíthető az ügyfélszolgálati folyamatokba — és onnantól nem az a kérdés, hogy „elég jó-e már a hangbot", hanem hogy a versenytársad előbb kapcsolja-e be nálad.
Két gyakorlati szempontot érdemes már most napirendre venni:
- Adatvédelem és megfelelés. A hangfelvétel a GDPR alatt személyes adat, és ha azonosításra alkalmas, akár biometrikus jellegű is lehet — a hangalapú AI ügyfélkezelésnél az átláthatóság és a megfelelő adatkezelési garancia nem opció. Az EU AI Act átláthatósági követelményei szintén vonatkoznak arra, amikor a felhasználó AI-val beszél. A szabályozási kereteket az EU AI Act magyar KKV-útmutatónkban jártuk körbe.
- Hol tart ma a hang. Ha még nem használtad éles helyzetben a ChatGPT hangfunkcióját, a full-duplex verzió jó alkalom kipróbálni — nyelvtanulásra, jegyzeteléshez diktálva, vagy egyszerűen a munkafolyamataid „hangos" végiggondolására. A hasznos alaphasználathoz a ChatGPT magyar KKV-útmutatónk ad kiindulást.
Mikor jön az API, és mit ér majd a fejlesztőknek?
Az OpenAI a bejelentésben egyértelművé tette, hogy a GPT-Live-1-et és a minit „hamarosan" az API-ba is elhozzák, és a fejlesztők egy űrlapon feliratkozhatnak az értesítésre. Konkrét dátumot és árazást a vállalat egyelőre nem közölt — bármilyen ezzel kapcsolatos szám ma még csak spekuláció volna, ezért óvakodj a magabiztos ár-ígéretektől, amíg az OpenAI hivatalosan ki nem adja.
Az azonban látszik, hogy a full-duplex API a jelenlegi, jórészt kör-alapú fejlesztői hangmodellekhez képest minőségi ugrást hozhat az olyan felhasználásokban, mint a többfordulós telefonos ügyfélszolgálat (az OpenAI belső τ³-Voice Telecom mérésén a GPT-Live-1 felülmúlta az AVM-et), az élő tolmácsolás vagy a kihangosított, kéz nélküli munka. Ahogy Atty Eleti fogalmazott: a cél, hogy a hang „mindenféle munka jövőbeli interfésze" legyen — ez a fogyasztói bejelentés valójában ennek a hosszabb ívnek az első nyilvános lépcsője.
Összefoglaló
A GPT-Live egyetlen mondatban: az OpenAI full-duplex hangmodellje egyszerre hallgat és beszél, a mélyebb feladatokat a háttérben a GPT-5.5-nek delegálja, és mostantól ez hajtja a hetente 150 millió ember által használt ChatGPT Voice-t — két verzióban (a fizetős GPT-Live-1 és az ingyenes GPT-Live-1 mini), globális kigurítással. A benchmarkok szerint az ugrás a régi Advanced Voice Mode-hoz képest nem fokozati, hanem nagyságrendi, különösen az agentikus keresésben.
Magyar felhasználónak ez most egy jobb, természetesebb hangos ChatGPT — reális várakozásokkal a magyar nyelvminőség felé. Magyar KKV-nak pedig előrejelzés: a full-duplex + delegációs hang most vált tömegtermékké a fogyasztói oldalon, és amint az API megérkezik, ugyanez a technológia lesz beépíthető az ügyfélszolgálatba és az értékesítésbe. Aki most érti meg, hogyan működik, az előnnyel indul, amikor eljön az integráció ideje.
Ha szeretnéd átgondolni, hol illeszthető be a hangalapú AI a céged ügyfélkommunikációjába — a mai fejlesztői modellekkel vagy a jövőbeli GPT-Live API-val —, vedd fel velünk a kapcsolatot, és közösen megnézzük, hol hoz valódi megtérülést.
Források: OpenAI — Introducing GPT-Live | TechCrunch — OpenAI releases new voice models | OpenAI — GPT-Live System Card | Marktechpost — OpenAI releases GPT-Live | Google — Gemini 3.5 Live Translate
A cikk külső forrásait 2026-07-09-én ellenőriztem. A számszerű adatok (preferencia, GPQA, BrowseComp, konverziós arányok, hanghasználói szám) az OpenAI hivatalos bejelentéséből és rendszerkártyájából származnak; a versenytársakra és az idézetekre vonatkozó részletek a TechCrunch beszámolójából. A magyar KKV-kra vonatkozó következtetések szerkesztői elemzés, nem a források tényállításai. Az API dátumára és árazására vonatkozóan az OpenAI a bejelentés idején nem közölt adatot.
