OpenAI wprowadzono GPT-Live, parę nowych modeli głosowych, które usprawniają interakcję z ChatGPT, umożliwiając jednoczesne mówienie i słuchanie, podobnie jak w rozmowach międzyludzkich. Modele GPT-Live-1 i GPT-Live-1 mini rozpoczęły się na całym świecie w systemach iOS, Android i ChatGPT.com tego samego dnia, w którym zostały wydane. GPT-Live-1 będzie domyślnym modelem głosu dla użytkowników płatnych, natomiast GPT-Live-1 mini będzie przeznaczony dla użytkowników darmowego poziomu. OpenAI planuje także udostępnić te modele programistom poprzez API.
Oznacza to trzecią generację technologii głosowej ChatGPT w ciągu dwóch lat, a OpenAI ma na celu zapewnienie płynniejszej obsługi użytkownika, która będzie bardziej naturalna niż zwykłe wysyłanie zapytań do wyszukiwarki. Kluczową innowacją jest „architektura pełnego dupleksu”, która umożliwia modelowi ciągłe przetwarzanie przychodzącego dźwięku i generowanie odpowiedzi mówionych.
Według OpenAI ta nowa architektura umożliwia podejmowanie szybkich decyzji w ramach interakcji, pozwalając na konwersacyjne potwierdzenia, takie jak „mhmm” i „rozumiem”, gdy użytkownicy jeszcze mówią, a także skuteczniej zarządzać przerwami. Poprzedni zaawansowany tryb głosowy opierał się na turowych wymianach zdań, które czasami powodowały niezręczne przerwy spowodowane krótkimi przerwami lub hałasem w tle.
W GPT-Live funkcje interakcji głosowej i wnioskowania są rozdzielone, dzięki czemu system może kontynuować rozmowy, podczas gdy złożone zapytania są delegowane do modelu zaplecza, w szczególności GPT-5.5. Ta zmiana ma na celu ułatwienie bardziej płynnej interakcji, umożliwiając agentom głosowym wykonywanie zadań, takich jak wysyłanie zapytań do baz danych, bez zakłócania przepływu konwersacji. OpenAI oczekuje, że ta zmiana strukturalna ulepszy aplikacje korporacyjne, umożliwiając bardziej złożone interakcje.
OpenAI podało, że co tydzień ponad 150 milionów użytkowników korzysta z funkcji głosowych, co odzwierciedla rosnące znaczenie interakcji głosowych w różnych aplikacjach, w tym w ćwiczeniach językowych i pomocy bez użycia rąk. GPT-Live wprowadza ulepszenia, takie jak karty wizualne wyświetlające informacje kontekstowe i trzy poziomy uzasadniania odpowiedzi: Natychmiastowy, Średni i Wysoki.
OpenAI wdrożyło nowe środki bezpieczeństwa, aby zaradzić zagrożeniom związanym z interakcją głosową w czasie rzeczywistym. Obejmują one zabezpieczenia działające w czasie rzeczywistym na wypadek sytuacji wysokiego ryzyka oraz oceny skupiające się na zależności emocjonalnej i innych zagrożeniach charakterystycznych dla komunikacji głosowej. W porównaniu z poprzednim zaawansowanym trybem głosowym, wyniki bezpieczeństwa uległy znacznej poprawie w różnych kategoriach, takich jak nielegalne zachowanie i samookaleczenie.
Konkurenci, w tym Google, ByteDance i Nvidia, również czynią postępy w dziedzinie technologii głosu w trybie pełnego dupleksu. OpenAI stoi przed wyzwaniami, takimi jak ograniczona obsługa języków i początkowy brak dostępu do API, co może utrudnić jego penetrację rynku. Pomimo tych przeszkód OpenAI zamierza w GPT-Live ustanowić głos jako główny interfejs interakcji AI, co potencjalnie doprowadzi w przyszłości do bardziej wyrafinowanych możliwości zarządzania zadaniami.
