OpenAI випускає нові голосові моделі для більш природних розмов у реальному часі

OpenAI сьогодні випустила нові розмовні моделі під назвою GPT-Live-1 та GPT-Live-1 mini, стверджуючи, що вони звучать природніше та краще справляються з чергуванням. Це повнодуплексні моделі, тобто вони можуть говорити та слухати одночасно, дозволяючи користувачам природно переривати та забезпечуючи такі функції, як живий переклад.

Компанія також за замовчуванням замінює свій поточний розширений голосовий режим у ChatGPT на GPT-Live-1 mini. Користувачі платних рівнів зможуть отримати доступ до більшої моделі GPT-Live-1. Попередня модель поєднувала модель перетворення мовлення в текст для транскрибування мовлення, велику мовну модель для генерації відповідей та модель перетворення тексту в мовлення для надання остаточної відповіді.

Компанія заявила на прес-брифінгу, що нові моделі вирішують такі проблеми, як перебивання користувачів під час розмови та недостатній інтелект для відповіді на запитання. Нові моделі OpenAI надсилатимуть запити до її найновіших текстових моделей, таких як GPT-5.5, для пошуку, міркування або агентних можливостей, продовжуючи розмову.

OpenAI також показав, що модель може мовчати протягом тривалого часу та враховувати контекст розмови, доки її не викликають. Крім того, оскільки новий голосовий режим має доступ до новіших моделей GPT, він також може представляти деяку інформацію у візуальному форматі. Інші стартапи, такі як Monogram, які залучили 40 мільйонів доларів початкового фінансування від DST та Lux Capital , також спираються на візуальні відповіді, щоб зробити асистентів більш інтерактивними.

Компанія заявила, що новий голосовий режим у ChatGPT розроблений для триваліших розмов. Під час брифінгу керівник продукту ChatGPT Voice, Атті Елеті, розповів, що він мав 30-40-хвилинні розмови за допомогою голосової функції під час прогулянок.

OpenAI вважає, що голос може бути основним інтерфейсом до обчислень для складної роботи. З'явилися повідомлення, що цього року компанія може випустити пару навушників із можливостями штучного інтелекту . Однак, компанія не надала жодної інформації про апаратні продукти.

«З часом, ми вважаємо, це також відкриє можливість використовувати голос як своєрідний основний інтерфейс для обчислень та керувати дедалі складнішою тривалою агентською роботою. Ми бачимо дивовижні випадки використання, які люди використовують Codex та ChatGPT, і вважаємо, що голос може стати майбутнім інтерфейсом для всіх видів роботи», – сказав Елеті.

Конкуренти також намагаються зробити асистентів більш виразними.

Як Apple , так і Amazon оновили своїх помічників, щоб вони стали більш розмовними та краще обробляли контекст. Стартапи, такі як Sesame , заснований співзасновником Oculus Бренданом Ірібе та Анкітом Кумаром, також запустили помічників зі штучним інтелектом з більш природним спілкуванням під час виконання завдань у фоновому режимі.

OpenAI рухається в тому ж напрямку, прагнучи дозволити користувачам розмовляти з асистентом у режимі hands-free протягом тривалішого часу. Незважаючи на твердження про те, що новий голосовий режим звучить природніше, компанія наголосила, що не прагне зробити його супутником штучного інтелекту. Вона зазначила, що нові моделі мають вбудовані запобіжні заходи, щоб підліткам надавати відповідні віку відповіді та ресурси, якщо розмова заходить на такі теми, як самоушкодження.

Новий голосовий режим все ще потребує доопрацювання. Під час демонстрації, коли компанія демонструвала функцію живого перекладу на хінді, асистент мав сильний американський акцент і говорив хінді, що звучало неприродно та мало дещо книжковий тон. Компанія заявила, що новий режим оптимізовано для «більшості розмовних мов», але не уточнила, яких саме.