Η OpenAI παρουσίασε το GPT-Live, μια νέα γενιά φωνητικών μοντέλων που τροφοδοτούν την τελευταία εμπειρία ChatGPT Voice. Τα μοντέλα χρησιμοποιούν μια αρχιτεκτονική πλήρους αμφίδρομης επικοινωνίας που τους επιτρέπει να ακούν και να μιλάνε ταυτόχρονα αντί να περιμένουν τους χρήστες να τελειώσουν την ομιλία τους πριν απαντήσουν.
Το GPT-Live χειρίζεται συνεχείς φωνητικές αλληλεπιδράσεις, ενώ παράλληλα αναθέτει την αναζήτηση στο διαδίκτυο, την βαθύτερη συλλογιστική και άλλες σύνθετες εργασίες στο GPT-5.5 στο παρασκήνιο, σύμφωνα με την OpenAI.
Η OpenAI δήλωσε ότι το αρχικό ChatGPT Voice βασιζόταν σε έναν διαδοχικό αγωγό που αποτελούνταν από ξεχωριστά μοντέλα μετατροπής ομιλίας σε κείμενο, γλώσσας και κειμένου σε ομιλία, τα οποία θα μπορούσαν να προκαλέσουν καθυστέρηση και απώλεια πληροφοριών. Η Προηγμένη Λειτουργία Φωνής αργότερα συνδύασε την επεξεργασία ήχου σε ένα ενιαίο μοντέλο, αλλά εξακολουθούσε να βασίζεται σε συνομιλίες με τη σειρά, απαιτώντας από τους χρήστες να ολοκληρώσουν την ομιλία τους πριν απαντήσει το μοντέλο και μερικές φορές προκαλώντας διακοπές λόγω ανίχνευσης σιωπής.
Το GPT-Live αντικαθιστά αυτήν την προσέγγιση με μια αρχιτεκτονική πλήρους διπλής όψης που επεξεργάζεται συνεχώς ήχο ενώ παράγει ομιλία. Το μοντέλο μπορεί να λαμβάνει αποφάσεις αλληλεπίδρασης αρκετές φορές ανά δευτερόλεπτο, συμπεριλαμβανομένου του εάν θα συνεχίσει να ακούει, να απαντήσει, να κάνει παύση, να διακόψει ή να ενεργοποιήσει εργαλεία. Αυτό επιτρέπει επίσης τη ζωντανή μετάφραση, βοηθά στη διατήρηση της ροής και του χρονισμού των συνομιλιών και επιτρέπει στο GPT-Live να συνεχίσει να μιλάει ενώ χειρίζεται πολλαπλές εργασίες στο παρασκήνιο.
Για αιτήματα που αφορούν αναζήτηση στο διαδίκτυο, συλλογισμό ή δυνατότητες πρακτόρων, το GPT-Live αναθέτει την εργασία στο GPT-5.5 ενώ συνεχίζει τη συνομιλία. Μπορεί να διαχειριστεί πολλαπλές εργασίες παρασκηνίου και να επιστρέψει τα αποτελέσματα όταν είναι έτοιμα. Η OpenAI δήλωσε ότι το GPT-Live θα συνεχίσει να χρησιμοποιεί νεότερα μοντέλα frontier μόλις γίνουν διαθέσιμα.
Η OpenAI δήλωσε ότι περισσότεροι από 150 εκατομμύρια άνθρωποι χρησιμοποιούν το ChatGPT Voice και Dictation κάθε εβδομάδα. Η ενημερωμένη εμπειρία ChatGPT Voice περιλαμβάνει:
- Συζητήσεις πλήρους αμφίδρομης επικοινωνίας με ταυτόχρονη ακρόαση και ομιλία
- Φυσικές αναγνωρίσεις όπως “μμμ” και “κατάλαβα”
- Λειτουργίες άμεσης, μεσαίας και υψηλής συλλογιστικής
- Λιγότερες διακοπές όταν οι χρήστες κάνουν παύση ή ζητούν από το ChatGPT να συνεχίσει να ακούει
- Βελτιωμένο χειρισμό θορύβου υποβάθρου
- Πλούσιες οπτικές κάρτες για θέματα όπως καιρός, αθλήματα και μετοχές
- Συνεχής υποστήριξη για αναζήτηση, μνήμη, εικόνες και μεταφορτώσεις αρχείων
- Ανανεωμένες εκδόσεις των εννέα ενσωματωμένων φωνών του ChatGPT
Η OpenAI δήλωσε ότι τα GPT-Live-1 και GPT-Live-1 mini προτιμήθηκαν έναντι της Προηγμένης Λειτουργίας Φωνής σε εσωτερικές αξιολογήσεις ανθρώπων που καλύπτουν συνομιλίες πέντε έως δέκα λεπτών, συμπεριλαμβανομένης της συνολικής προτίμησης, της σειράς, των διακοπών και της ροής της συνομιλίας.
Η εταιρεία ανέφερε επίσης βελτιώσεις στο GPQA, το οποίο μετρά την επιστημονική συλλογιστική σε επίπεδο εμπειρογνωμόνων σε βιολογία, χημεία και φυσική, στο BrowseComp για αναζήτηση στο διαδίκτυο μέσω πρακτόρων και δύσκολες στην εύρεση πληροφορίες, και στο εσωτερικό benchmark τ³-Voice Telecom που καλύπτει ρεαλιστικές συνομιλίες υποστήριξης τηλεπικοινωνιών πολλαπλών στροφών.
Η OpenAI δήλωσε ότι το GPT-Live περιλαμβάνει μέτρα ασφαλείας σχεδιασμένα ειδικά για φωνητικές αλληλεπιδράσεις. Η εταιρεία επέκτεινε τις δοκιμές με αξιολογήσεις εγγενούς και συνθετικού ήχου που καλύπτουν τον αυτοτραυματισμό, την ψύχωση, τη μανία, τη συναισθηματική εξάρτηση, τη βία και το σεξουαλικό περιεχόμενο, παράλληλα με δοκιμές red-team για κινδύνους που σχετίζονται με τη φωνή.
Τα μέτρα ασφαλείας περιλαμβάνουν:
- Μέτρα ασφαλείας σε πραγματικό χρόνο που μπορούν να παρέμβουν ενώ το μοντέλο μιλάει
- Κατεύθυνση αντιδράσεων προς ασφαλέστερες εναλλακτικές λύσεις ή εμφάνιση πρόσθετων οδηγιών ή πόρων ασφαλείας όταν χρειάζεται
- Τερματισμός φωνητικών συνομιλιών σε καταστάσεις υψηλότερου κινδύνου
- Υποστήριξη από γραμμή βοήθειας κρίσης, ελεγμένη από ειδικούς, για συνομιλίες αυτοτραυματισμού
- Συμπεριφορά κατάλληλη για την ηλικία για εφήβους χρήστες
- Γονικός έλεγχος, με συνδεδεμένους γονείς να μπορούν να λαμβάνουν ειδοποιήσεις σε ορισμένες καταστάσεις υψηλότερου κινδύνου
- Προστασίες από την πλαστοπροσωπία φωνής μέσω προκαθορισμένων φωνών ChatGPT
- Συνεχής παρακολούθηση μετά την κυκλοφορία του προϊόντος, επικεντρωμένη στη συναισθηματική εξάρτηση
Το GPT-Live κυκλοφορεί παγκοσμίως σε iOS, Android και ChatGPT.com. Η διαθεσιμότητα περιλαμβάνει:
- Το GPT-Live-1 γίνεται το προεπιλεγμένο φωνητικό μοντέλο για τους χρήστες Go, Plus και Pro.
- Το GPT-Live-1 mini γίνεται το προεπιλεγμένο φωνητικό μοντέλο για τους χρήστες Free.
- Η διαθεσιμότητα του API έχει προγραμματιστεί για μελλοντική έκδοση.
Η OpenAI δήλωσε ότι το GPT-Live έχει βελτιστοποιηθεί για αρκετές ευρέως χρησιμοποιούμενες γλώσσες ChatGPT, αν και ορισμένες γλώσσες ενδέχεται να εξακολουθούν να έχουν περιορισμούς στην προφορά ή την ευχέρεια.
