GPT-Live ยอมให้เราหยุดคิดกลางประโยคโดยไม่ชิงพูดขึ้นมาตัดบท มันคือโมเดลเสียงตัวใหม่ของ OpenAI ที่ทำงานอยู่ใต้ ChatGPT Voice ในตอนนี้ และสิ่งที่มันเปลี่ยนไป ไม่ใช่ความฉลาดของคำตอบ แต่เป็นจังหวะการพูด

ลองนึกถึงนิสัยที่เราสร้างขึ้นมาเองเวลาคุยกับ AI ด้วยเสียง เราคิดประโยคให้ครบในหัวเสียก่อน ตัดช่วงที่เงียบเพราะกำลังนึกออกให้หมด แล้วค่อยกดไมค์พูดรวดเดียว เพราะรู้อยู่แล้วว่าถ้าหยุดกลางประโยคเมื่อไร อีกฝั่งจะชิงพูดขึ้นมาทันที พอทำแบบนี้ เสียงก็เหลือหน้าที่แค่พิมพ์แทนมือ ไม่ใช่การคุยกันจริงๆ

ตัวโมเดลเปิดตัวไปก่อนหน้านี้แล้ว รายละเอียดรอบเปิดตัวอยู่ในบทความ GPT-Live โมเดลเสียงใหม่ของ OpenAI ที่ฟังและพูดพร้อมกันได้ ส่วนของใหม่ที่เพิ่งออกมาเมื่อวันที่ 3 สิงหาคม 2026 คือเบื้องหลังงานวิศวกรรมที่ OpenAI โพสต์เอง พร้อมบอกว่าใช้เวลาสร้างระบบนี้หกเดือน ที่ผ่านมาจึงไม่ใช่เพราะเราพูดไม่เก่ง แต่เพราะระบบเสียงรุ่นก่อนหน้ารับได้ทีละทางเท่านั้น

ทำไมโหมดเสียงรุ่นก่อนถึงชอบตัดบทตอนเราหยุดคิด

โหมดเสียงยุคแรกของ ChatGPT ไม่ได้ทำงานด้วยโมเดลตัวเดียว แต่วางโมเดลสามตัวต่อกันเป็นทอดๆ ตัวแรกถอดเสียงที่เราพูดออกมาเป็นข้อความ ตัวที่สองอ่านข้อความนั้นแล้วคิดคำตอบ ตัวที่สามแปลงคำตอบกลับมาเป็นเสียง

ทุกทอดกินเวลาเพิ่มขึ้นทีละนิด และของบางอย่างหล่นหายตั้งแต่ทอดแรก เพราะข้อความเก็บได้แค่คำ ไม่ได้เก็บว่าคำนั้นพูดด้วยเสียงแบบไหน เร็วช้าแค่ไหน หรือลงท้ายด้วยอารมณ์อะไร โทนเสียง จังหวะพูด และอารมณ์ จึงหายไปก่อนที่โมเดลจะได้คิดด้วยซ้ำ

รุ่นถัดมาที่ชื่อ Advanced Voice Mode รวบการฟังและการพูดมาไว้ในโมเดลตัวเดียว ความหน่วงจึงลดลงและเก็บโทนเสียงไว้ได้มากขึ้น แต่มันยังทำงานแบบผลัดกันพูดอยู่ดี คือต้องรอให้เราเงียบก่อน ถึงจะเริ่มตอบ

และตรงนี้เองคือจุดที่ไม่มีตัวเลขไหนถูกไปทั้งหมด ระบบต้องเดาว่าความเงียบยาวกี่วินาทีถึงแปลว่าพูดจบแล้ว ตั้งไว้สั้นเกินไป มันก็พูดแทรกตอนคนกำลังหาคำ ตั้งไว้ยาวเกินไป ก็รู้สึกอืดเหมือนคุยกับคนที่ตอบช้า และถ้ามีเสียงดังรอบตัว การเดาก็เพี้ยนง่ายขึ้นไปอีก

งานวิเคราะห์ของ RisingStack Engineering ที่แกะสถาปัตยกรรมนี้ ยกตัวอย่างจังหวะหนึ่งที่เห็นภาพชัด คนพูดว่า "ที่ดีที่สุดน่าจะเป็น… เอ๊ะ เดี๋ยวก่อน" ระบบแบบผลัดกันพูดได้ยินความเงียบสั้นๆ ตรงกลาง แล้วเริ่มตอบทันทีก่อนที่คนพูดจะทันเปลี่ยนใจ พอโดนแบบนี้บ่อยเข้า คนก็ปรับตัวเอง ตัดช่วงเงียบทิ้ง พูดให้สั้นลง แล้วปั้นคำถามให้เสร็จก่อนค่อยกดปุ่มไมค์

หัวใจของ GPT-Live คือฟังไปพูดไปพร้อมกัน

สิ่งที่ GPT-Live ทำต่างออกไป คือระบบสื่อสารสองทางแบบ full-duplex โดยเสียงที่เราพูดไหลเข้าไปเป็นสายต่อเนื่อง ไม่ได้ส่งไปเป็นก้อนตอนพูดจบ และระหว่างที่เสียงเรากำลังไหลเข้า มันก็สร้างเสียงของตัวเองออกมาได้ในเวลาเดียวกัน

สิ่งที่เกิดขึ้นข้างในคือการตัดสินใจใหม่หลายรอบในหนึ่งวินาที ทุกเสี้ยววินาทีมันเลือกว่าจะพูดต่อไหม ฟังต่อไหม เงียบลง แทรกขึ้นมา หรือหยิบเครื่องมือมาใช้ ไม่ใช่รอจนจบประโยคแล้วค่อยเลือกทีเดียว

ลองเทียบกับของที่เราใช้กันจนคุ้นแล้วจะเห็นความต่างทันที วิทยุสื่อสารกดพูดได้ทีละคน อีกฝั่งต้องรอให้ปล่อยปุ่มก่อนถึงจะพูดได้ ส่วนโทรศัพท์เปิดสายสองทางพร้อมกัน เราจึงพูดคำว่า "อืม" แทรกเข้าไประหว่างที่อีกฝ่ายกำลังพูดได้ โดยไม่ได้แปลว่าเราแย่งสิทธิ์พูด ระบบเสียงรุ่นก่อนหน้าทำตัวเหมือนวิทยุสื่อสาร ส่วน GPT-Live ออกแบบมาให้ทำตัวเหมือนสายโทรศัพท์

ผลที่คนสัมผัสได้จริงมีสามอย่าง อย่างแรกคือมันส่งเสียงรับสั้นๆ อย่าง mhmm หรือ got it ออกมาระหว่างที่ยังฟังอยู่ อย่างที่สองคือมันเงียบรอตอนที่เรากำลังหาคำอยู่ในหัว อย่างที่สามคือมันหยุดให้เมื่อเราพูดแทรกขึ้นมา ทั้งสามอย่างนี้คือของที่ระบบผลัดกันพูดทำไม่ได้ตั้งแต่ต้น เพราะแค่จะส่งเสียงรับระหว่างฟัง ก็ต้องฟังกับพูดพร้อมกันอยู่แล้ว

OpenAI ยังรีมาสเตอร์เสียงพากย์ของ ChatGPT ใหม่ทั้ง 9 เสียงเพื่อ GPT-Live โดยเฉพาะ ส่วนผลทดสอบภายในของบริษัทรายงานว่า คนเลือกโมเดลรุ่น GPT-Live-1 และรุ่นเล็กอย่าง GPT-Live-1 mini เหนือกว่า Advanced Voice Mode ชัดเจน การทดสอบนั้นจับคู่คุยกันยาว 5-10 นาที แล้ววัดตั้งแต่จังหวะสลับกันพูด การแทรกกลางคัน ความต่อเนื่องของบทสนทนา ไปจนถึงความเป็นธรรมชาติที่หูคนจับได้ ผลชุดนี้มาจากการวัดของ OpenAI เอง ไม่ใช่การทดสอบจากภายนอก

งานหนักส่งต่อให้โมเดลเบื้องหลัง บทสนทนาจึงไม่ต้องหยุดรอ

กลไกที่สองสำคัญไม่แพ้กัน โมเดลเสียงไม่ได้แบกงานคิดหนักไว้เองทั้งหมด พอเจอคำถามที่ต้องเปิดเว็บหาข้อมูล หรือคิดซ้อนกันหลายชั้น มันจะโยนงานก้อนนั้นไปให้โมเดลข้อความเบื้องหลังอย่าง GPT-5.5 ทำคู่ขนานไป ส่วนตัวมันเองยังคุยกับเราต่อได้โดยบทสนทนาไม่ขาดตอน

ลองนึกภาพคำขอแบบนี้ ขอให้ช่วยหาร้านอาหารแถวสถานที่จัดงาน ที่นั่งได้ 12 คน สำหรับเย็นวันพรุ่งนี้ GPT-Live รับเรื่องแล้วถามต่อได้เลยว่ามีใครกินมังสวิรัติด้วยไหม ระหว่างที่เบื้องหลังกำลังไล่ค้นและเทียบร้านอยู่

ภาพที่ใกล้เคียงคือพนักงานหน้าร้านคนหนึ่ง ปากก็คุยกับลูกค้าตรงหน้า มือก็ส่งเรื่องเข้าไปให้หลังร้านช่วยเช็ก แทนที่จะยืนนิ่งเงียบให้ลูกค้ารออยู่หน้าเคาน์เตอร์ เสียงจึงวิ่งอยู่บนเลนเร็วของตัวเอง ส่วนงานที่ต้องคิดลึก หรือต้องเรียกเครื่องมือไปค้นหา รันโค้ด และดึงข้อมูล แยกไปทำเบื้องหลังโดยไม่ต้องรอกัน

และคำตอบก็ไม่จำเป็นต้องออกมาเป็นเสียงอย่างเดียว ระหว่างที่ยังคุยกันด้วยเสียง จอก็ขึ้นการ์ดข้อมูลให้ดูได้ด้วย เช่น สภาพอากาศ ราคาหุ้น ผลกีฬา และแผนที่

เลือกระดับการคิดใน ChatGPT Voice ให้ตรงกับงาน

ของที่ตั้งค่าเองได้วันนี้คือระดับการคิด ผู้ใช้ที่เข้าเงื่อนไขจะเลือกได้สามระดับ ได้แก่ Instant, Medium และ High ความต่างอยู่ที่ว่าโมเดลเบื้องหลังได้เวลาคิดกับคำถามมากแค่ไหนก่อนส่งคำตอบกลับมา

และไม่ว่าจะเป็น GPT-Live-1 หรือรุ่นเล็ก GPT-Live-1 mini ระดับ Instant ก็วิ่งบนโมเดลเบื้องหลังตัวเดียวกันคือ GPT-5.5 Instant

ถ้าคุณใช้เสียงเพื่อฝึกพูดหรือระบายความคิดตอนขับรถ ระดับเร็วที่สุดจะให้จังหวะสนทนาที่ลื่นกว่า แต่ถ้ากำลังซ้อมพรีเซนต์แล้วอยากได้คำวิจารณ์ที่คิดมาแล้วจริงๆ การขยับขึ้นไปอีกระดับแล้วยอมรออีกนิดจะคุ้มกว่า

สิทธิ์ใช้งานแยกเป็นสองรุ่น GPT-Live-1 ให้ผู้ใช้แพ็กเกจ Go, Plus และ Pro ส่วน GPT-Live-1 mini ให้ผู้ใช้ Free ทั้งคู่เปิดใช้ได้ทั้งบนเว็บ ChatGPT.com และในแอปมือถือทั้ง iOS และ Android แต่ช่วงแรกนี้ยังใช้กับพื้นที่ทำงานขององค์กรไม่ได้ ทั้งแบบ Business แบบ Enterprise และแบบ Edu

จาก 6 รอบเหลือ 1 รอบ ตอนกดเริ่มคุยกับ ChatGPT Voice

ก่อนจะคุยกันได้ เครื่องของเรากับเซิร์ฟเวอร์ต้องทักทายกันก่อนรอบหนึ่ง หนึ่งรอบไปกลับ คือเวลาที่สัญญาณวิ่งจากเครื่องเราไปถึงเซิร์ฟเวอร์แล้ววิ่งกลับมา ถ้าอยู่ไกลกันมาก หนึ่งรอบก็กินเวลามากขึ้นตามระยะทาง

วิธีเชื่อมต่อเสียงมาตรฐานที่เว็บใช้กันอยู่ชื่อ WebRTC กว่าเสียงจะพร้อมใช้ต้องผ่าน 3 รอบ และกว่าช่องส่งข้อมูลจะพร้อมตามมาต้องถึง 6 รอบ OpenAI ปรับขั้นตอนนี้ด้วยเทคนิคที่ตัวเองเรียกว่า WARP จนทั้งเสียงและช่องข้อมูลพร้อมใช้พร้อมกันที่รอบเดียว

ความรู้สึกว่ากดปุ๊บติดปั๊บตอนเริ่มคุย จึงมาจากขั้นตอนเชื่อมต่อที่สั้นลง ไม่ได้มาจากโมเดลที่คิดเร็วขึ้น

ข้อจำกัดที่ยังเจอได้ และของที่ยังไม่รองรับ

ของใหม่ไม่ได้แปลว่าไม่มีจุดสะดุด เงียบไปนานๆ พูดชนกันสองคน มีเสียงดังรอบตัว ไมโครโฟนตั้งไว้ไม่ดี หรือเน็ตไม่นิ่ง ทั้งหมดนี้ยังทำให้มันฟังผิดหรือชิงพูดขึ้นมากลางคันได้อยู่ ตัวโมเดลวางไว้ให้คุยกันสองคนเป็นหลัก จึงยังไม่ได้จูนมาเพื่อวงที่มีคนพูดพร้อมกันหลายคน และบางภาษาที่รองรับอยู่ สำเนียงก็อาจยังฟังไม่เข้าหู หรือพูดได้ไม่คล่องเท่าที่ควร

รายการที่ยังไม่รองรับในช่วงเปิดตัวก็ยาวพอสมควร วิดีโอและการแชร์หน้าจอยังทำผ่าน GPT-Live ไม่ได้ ผู้ใช้ที่มีสิทธิ์ยังต้องกลับไปใช้ Advanced Voice Mode ในแอปบนมือถือเหมือนเดิม โดย OpenAI เองบอกว่ากำลังทำให้รองรับในภายหลัง ที่เหลือซึ่งยังใช้ไม่ได้มี โหมดแชตชั่วคราวอย่าง Temporary Chat · แอป ChatGPT บนเดสก์ท็อป · พื้นที่ทำงาน ChatGPT Work · เครื่องมือเขียนโค้ด Codex · ตัวช่วยเฉพาะทางอย่าง custom GPTs รวมถึงการเชื่อมเข้ากับแอปภายนอก (connected apps) และปลั๊กอินต่างๆ

ฝั่งนักพัฒนายังต้องรอเหมือนกัน เพราะ GPT-Live ยังไม่เปิดช่องทางเชื่อมต่อ API สำหรับนำไปใส่ในแอปตัวเอง ทาง OpenAI ระบุว่ามีแผนเปิดให้ใช้ในภายหน้า เพียงแต่ยังไม่บอกวันแน่ชัด ระหว่างนี้เปิดให้ลงชื่อขอสิทธิ์ใช้ก่อนไว้ที่หน้า GPT-Live-1 in the API โดยไม่มีค่าใช้จ่ายเพิ่มจากแพ็กเกจ ChatGPT ที่มีอยู่แล้ว ใครที่ต้องต่อระบบเสียงเข้ากับงานตัวเองตอนนี้ จึงยังต้องใช้โมเดลเสียงเรียลไทม์ตัวอื่นใน API อย่าง GPT-Realtime mini ไปก่อน

เวลาลองของใหม่นี้ อย่าเพิ่งวัดที่คำตอบว่าถูกหรือผิด ให้วัดที่ว่ามันทนความเงียบของเราได้นานแค่ไหนตอนเรากำลังนึกคำ และถ้ามันทนได้จริง สิ่งที่ต้องอัปเกรดต่อไปคือนิสัยกดไมค์แล้วรีบพูดที่เราฝึกตัวเองมาเพื่อเอาใจเครื่อง

---

ที่มา:

• บทความ ChatGPT Live and the New Architecture of Voice AI จาก RisingStack Engineering
• บทความ OpenAI's GPT-Live Ditches Turn-Based Voice for Real-Time Two-Way Conversations จาก AlphaSignal
• โพสต์ GPT-Live engineering announcement จากบัญชี OpenAI บน X