В среду OpenAI запустила GPT-Live, представив две новые модели голоса, которые заменяют существующий расширенный голосовой режим. Модели GPT-Live-1 и GPT-Live-1 mini позволяют одновременно слушать и говорить, имитируя человеческий разговор. GPT-Live-1 используется по умолчанию для платных пользователей на уровнях Go, Plus и Pro, а GPT-Live-1 mini — для пользователей бесплатного уровня.
Внедрение начинается по всему миру на iOS, Android и ChatGPT.com. OpenAI планирует интегрировать эти модели в свой API для разработчиков. GPT-Live представляет собой третье поколение голосовой технологии ChatGPT, разработанной за два года.
Ключевой особенностью GPT-Live является «полнодуплексная архитектура», позволяющая обрабатывать звук в реальном времени и одновременно генерировать ответы. «Вместо обработки последовательности отдельных сообщений GPT-Live непрерывно обрабатывает входные данные и одновременно генерирует выходные данные», — говорится в сообщении OpenAI в блоге. Это позволяет использовать диалоговые подтверждения, например «ммм», и позволяет избежать прерываний во время обмена сообщениями.
Предыдущий расширенный голосовой режим, запущенный в сентябре 2024 года, работал на основе жесткого пошагового обмена сообщениями, что создавало разочарование в пользовательском опыте. Фоновый шум может вызвать преждевременную реакцию, влияя на ход разговора.
GPT-Live также отделяет голосовое взаимодействие от рассуждений, делегируя сложные запросы фоновой модели, а именно GPT-5.5, при этом беспрепятственно продолжая разговор. «Пока GPT-Live работает, он может продолжать общение с вами и поддерживать поток разговора», — объяснил OpenAI.
Первоначальный голос ChatGPT, запущенный в 2023 году, опирался на сложный конвейер, который приводил к задержкам и потере информации в разных моделях. Эта настройка была усовершенствована в расширенном голосовом режиме, который пытался упростить процесс, но все равно приводил к неловким паузам и перерывам.
OpenAI стремится смягчить опасения, возникшие в результате прошлых споров по поводу подражания голосу, особенно связанных с голосом «Неба», напоминающим голос актрисы Скарлетт Йоханссон. Компания подчеркнула, что GPT-Live избегает выдачи себя за другое лицо и включает меры защиты от имитации голосов реальных людей.
В настоящее время более 150 миллионов пользователей еженедельно взаимодействуют с голосовыми функциями ChatGPT, что является частью общего числа 900 миллионов активных пользователей. С помощью GPT-Live пользователи могут получить доступ к богатым визуальным картам и выбирать между тремя уровнями аргументации ответа: мгновенным, средним и высоким. Система также обещает улучшенную производительность в управлении фоновым шумом и прерываниями пользователей во время разговоров.
Меры безопасности развивались вместе с новыми моделями. OpenAI провела обширные оценки, продемонстрировав повышенную производительность GPT-Live в таких категориях, как членовредительство и разжигание ненависти, а также устранение уникальных рисков, связанных с голосовым взаимодействием в реальном времени.
В то время как OpenAI развивает свои голосовые технологии, такие конкуренты, как Google, ByteDance и Nvidia, также недавно запустили свои собственные полнодуплексные системы. В GPT-Live в настоящее время отсутствуют некоторые функции, такие как видеовзаимодействие или совместное использование экрана, которые становятся стандартными в предложениях голосового искусственного интеллекта.
В целом, GPT-Live представляет собой значительное достижение для OpenAI, поскольку позиционирует голос как основной уровень взаимодействия для искусственного интеллекта, стремясь к более естественным и агентным возможностям в общении с искусственным интеллектом.
<час />
