OpenAI добавила SIP-звонки в GPT-Live: голосовой ИИ за 5 центов в минуту

Раньше, чтобы ИИ-агент мог позвонить клиенту или принять звонок, между телефонной сетью и моделью нужен был отдельный слой: сервис телефонии, голосовой оркестратор, иногда ещё и свой медиасервер. OpenAI делает шаг к тому, чтобы этот слой стал тоньше: компания опубликовала гайд по подключению GPT-Live через SIP, стандартный протокол IP-телефонии.

Как это подключается

Схема довольно прямолинейная. Для входящих звонков вы берёте номер у любого SIP-провайдера. Автор разбора упоминает Zadarma, но подойдёт и другой. Затем настраиваете вебхук на событие live.transport.incoming и направляете трафик на sip.api.openai.com. Для европейских клиентов есть отдельный адрес sip-eu, что важно, если вы думаете о задержках и о том, где обрабатываются данные.

Исходящие звонки запускаются запросом на /v1/live/sessions, где указано, куда звонить. Дальше разговор ведёт модель.

В платформе есть базовые телефонные функции: перевод звонка на другого человека, отправка цифр (то самое «нажмите 1» в меню) и завершение вызова. Есть и готовые интеграции с LiveKit, Twilio, Telnyx, Bandwidth и Daily/Pipecat. То есть если вы уже работаете с одним из этих сервисов, переходить на новую схему не обязательно.

Цена: 5 центов за минуту с посекундной тарификацией. Но это только телефонный и голосовой слой, а модель и инструменты оплачиваются отдельно. Считать стоимость диалога надо по сумме всех компонентов, а не по этой цифре.

Что остаётся на вашей стороне

Главный вывод из разбора автора: «из коробки» это пока сырой конструктор, а не готовый продукт для обзвона. Многое придётся реализовывать самим:

• завершать звонок, когда собеседник сказал «до свидания». Сама модель трубку не повесит;
• распознавать автоответчик и решать, что с ним делать;
• проигрывать записанное приветствие дословно, например по юридическим причинам;
• отслеживать перебивания, когда человек начинает говорить поверх агента.

Всё это знакомые болячки голосовых агентов. Именно их закрывают специализированные платформы. Поэтому разумно думать о новинке как о транспорте, а не как о готовом контакт-центре.

Языки и качество голоса

В списке 21 голос, но автор нашёл среди них озвучку только для английского, португальского, немецкого, французского, японского и корейского. Русский работает, но с акцентом. Для русскоязычного продукта это не мелочь: на телефоне люди быстро замечают неестественную речь и чаще бросают трубку. Если ваш сценарий не английский, сначала протестируйте голос на живых звонках, а не на демо.

Общее впечатление автора такое: у OpenAI хорошие озвучки, но релиз выглядит как бета-версия.

Что с этим делать

Если вы строите голосового агента для записи, поддержки или квалификации лидов, стоит собрать прототип на SIP и сравнить его с текущим стеком по трём параметрам: задержка, итоговая стоимость минуты вместе с моделью и качество голоса на вашем языке. Если вы сейчас платите посреднику за простую маршрутизацию вызовов, у вас появляется повод пересмотреть договор.

С другой стороны, если вам нужны детекция автоответчика, жёсткие скрипты и аккуратная обработка перебиваний, готовые платформы пока удобнее. Для провайдеров голосовых платформ новость тоже тревожная: часть их ценности перетекает в API самой OpenAI. Но пока что это именно бета, и по-настоящему мерить стоит на своих звонках.