OpenAI wprowadza GPT-Live, model głosowy do rozmów w czasie rzeczywistym

OpenAI uruchomiło GPT-Live, nową generację modeli głosowych w ChatGPT, które mają sprawić, że rozmowa z asystentem AI przypomina rozmowę z drugim człowiekiem. Modele trafiają globalnie do aplikacji na iOS, Androida i przeglądarkę, zastępując dotychczasowy Advanced Voice Mode.

Jak działa pełny dupleks

GPT-Live oparto na architekturze pełnodupleksowej, co oznacza, że model może jednocześnie słuchać i mówić, zamiast czekać, aż użytkownik skończy zdanie. Dzięki temu potrafi wtrącać krótkie potwierdzenia w rodzaju mhm czy tak, naturalnie wpasowywać się w tempo rozmowy i milczeć, gdy rozmówca potrzebuje chwili na zastanowienie.

To odejście od dotychczasowego trzystopniowego procesu: mowa na tekst, przetworzenie przez model językowy, tekst na mowę, który wprowadzał zauważalne opóźnienia i nie pozwalał na naturalne przerywanie wypowiedzi.

Dwa warianty dla różnych planów

OpenAI wprowadziło dwie wersje modelu. GPT-Live-1 mini zastąpił domyślnie Advanced Voice Mode dla wszystkich użytkowników ChatGPT, w tym planu darmowego. Większy GPT-Live-1 trafił jako domyślny do płatnych abonamentów Go, Plus i Pro.

Z czasem sądzimy, że to odblokuje możliwość używania głosu jako podstawowego interfejsu do komputera - Atty Eleti, szef produktu głosowego ChatGPT w OpenAI

Głos jako interfejs

W tle GPT-Live korzysta z modelu GPT-5.5 do wyszukiwania informacji, głębszego rozumowania i zadań wymagających działania w wielu krokach. Gdy rozmowa tego wymaga, model deleguje zapytanie do najnowszego modelu frontowego i wraca z odpowiedzią, nie przerywając naturalnego toku rozmowy. OpenAI zapowiada, że wraz z premierami kolejnych modeli frontowych GPT-Live będzie z nich stale korzystał.

Model potrafi też prezentować informacje w formie wizualnej równolegle do odpowiedzi głosowej, co ma znaczenie na przykład przy pytaniach o dane liczbowe, trasy czy porównania produktów.

Konkurencja w rozmowach głosowych

Premiera GPT-Live wpisuje się w szerszy wyścig firm technologicznych o naturalniejsze interfejsy głosowe. Podobne kierunki rozwijają Apple i Amazon w swoich asystentach, a startup Sesame promuje własnego konwersacyjnego asystenta AI.

Dla polskich użytkowników i firm oznacza to, że głosowa obsługa ChatGPT w najbliższych tygodniach będzie odczuwalnie płynniejsza, co może przyspieszyć wdrożenia głosowych botów obsługi klienta czy asystentów w aplikacjach mobilnych opartych na API OpenAI.

Źródła: TechCrunch (techcrunch.com), Technology.org (technology.org), SiliconANGLE (siliconangle.com)