OpenAI uruchomiło w środę GPT-Live, wprowadzając dwa nowe modele głosu, które zastępują istniejący zaawansowany tryb głosowy. Modele GPT-Live-1 i GPT-Live-1 mini umożliwiają jednoczesne słuchanie i mówienie, naśladując ludzką rozmowę. GPT-Live-1 jest ustawieniem domyślnym dla płatnych użytkowników na poziomach Go, Plus i Pro, natomiast GPT-Live-1 mini jest przeznaczony dla użytkowników na poziomie bezpłatnym.
Wdrażanie rozpoczyna się globalnie na iOS, Androidzie i ChatGPT.com. OpenAI planuje zintegrować modele ze swoim API dla programistów. GPT-Live reprezentuje trzecią generację technologii głosowej ChatGPT opracowanej w ciągu dwóch lat.
Kluczową cechą GPT-Live jest „architektura pełnego dupleksu”, umożliwiająca przetwarzanie dźwięku w czasie rzeczywistym podczas generowania odpowiedzi. „Zamiast przetwarzać sekwencję oddzielnych wiadomości, GPT-Live w sposób ciągły przetwarza dane wejściowe, generując jednocześnie dane wyjściowe” – stwierdził OpenAI w poście na blogu. Pozwala to na potwierdzenia konwersacyjne typu „mhmm” i pozwala uniknąć przerw w wymianie zdań.
Poprzedni zaawansowany tryb głosowy, wprowadzony we wrześniu 2024 r., działał w oparciu o sztywną, szczegółową wymianę zdań, co powodowało frustrację w doświadczeniach użytkowników. Hałas w tle może przedwcześnie wywołać reakcje, wpływając na przebieg rozmowy.
GPT-Live oddziela także interakcję głosową od rozumowania, delegując złożone zapytania do modelu działającego w tle, a mianowicie GPT-5.5, jednocześnie płynnie kontynuując rozmowę. „Chociaż to działa, GPT-Live może z Tobą rozmawiać i utrzymywać przebieg rozmowy” – wyjaśnił OpenAI.
Oryginalny głos ChatGPT, wprowadzony na rynek w 2023 r., opierał się na złożonym potoku, który powodował opóźnienia i utratę informacji między modelami. Ta konfiguracja została udoskonalona w zaawansowanym trybie głosowym, co miało na celu usprawnienie procesu, ale nadal powodowało niezręczne przerwy i przerwy.
OpenAI stara się złagodzić obawy wynikające z wcześniejszych kontrowersji dotyczących podszywania się pod głos, szczególnie wynikających z głosu „Sky” przypominającego głos aktorki Scarlett Johansson. Firma podkreśliła, że GPT-Live unika podszywania się i zawiera zabezpieczenia przed imitacją głosów prawdziwych ludzi.
Obecnie ponad 150 milionów użytkowników tygodniowo korzysta z funkcji głosowych ChatGPT, co stanowi część łącznej liczby 900 milionów aktywnych użytkowników. Dzięki GPT-Live użytkownicy mogą uzyskać dostęp do bogatych kart graficznych i wybierać pomiędzy trzema poziomami rozumowania reakcji: Natychmiastowy, Średni i Wysoki. System zapewnia także lepszą wydajność w zakresie zarządzania hałasem w tle i przerwami użytkownika podczas rozmów.
Wraz z nowymi modelami ewoluowały środki bezpieczeństwa. OpenAI przeprowadziło szeroko zakrojone oceny, wykazując lepszą wydajność GPT-Live w kategoriach obejmujących samookaleczenie i mowę nienawiści, uwzględniając unikalne zagrożenia związane z interakcjami głosowymi w czasie rzeczywistym.
Podczas gdy OpenAI rozwija technologię głosową, konkurenci, tacy jak Google, ByteDance i Nvidia, również niedawno wprowadzili na rynek własne systemy z pełnym dupleksem. W GPT-Live brakuje obecnie pewnych funkcji, takich jak interakcja wideo czy udostępnianie ekranu, które stają się standardem w ofertach głosowej sztucznej inteligencji.
Ogólnie rzecz biorąc, GPT-Live stanowi znaczący postęp w OpenAI, ponieważ pozycjonuje głos jako podstawową warstwę interakcji dla sztucznej inteligencji, mając na celu zapewnienie bardziej naturalnych i agentycznych możliwości w komunikacji AI.
