AI i technologia
OpenAI uruchamia GPT-Live: modele głosowe full-duplex dla ChatGPT z tłumaczeniem na żywo i naturalnym przejmowaniem głosu
OpenAI 8 lipca zaprezentowało GPT-Live, parę modeli głosowych full-duplex, które mogą jednocześnie słuchać i mówić, zmieniając ChatGPT w bardziej ludzkiego rozmówcę.
Tekst AI na podstawie relacji Gizmodo, VentureBeat, The Next Web i innych wydawców. Opublikowany . Jak powstaje
Dla członkówPierwsze 30 sekund dla wszystkich. Głos syntetyczny (AI).
W skrócie
Modele GPT-Live przetwarzają dźwięk w sposób ciągły, umożliwiając jednoczesne mówienie i słuchanie z naturalnym przejmowaniem głosu i wtrąceniami konwersacyjnymi, takimi jak 'mhmm' i 'rozumiem'.
W przypadku złożonych zapytań model głosowy deleguje zadanie do potężniejszego modelu GPT-5.5, utrzymując płynność rozmowy, a następnie integruje odpowiedź.
Model zademonstrował tłumaczenie symultaniczne w czasie rzeczywistym i może milczeć, aby wchłonąć kontekst, aż zostanie przywołany słowem budzącym 'Hey Chat'.
GPT-Live-1 jest domyślnym modelem dla płatnych subskrybentów, a GPT-Live-1 mini dla użytkowników darmowych; dostępny na iOS, Androidzie i w sieci, zastępując Advanced Voice Mode.
Architektura full-duplex
Sercem GPT-Live jest full-duplex: przetwarza dźwięk w sposób ciągły, jednocześnie generując mowę, co pozwala na przerywanie, wtrącenia i płynniejsze przejmowanie głosu. W blogu badawczym OpenAI zauważono: „model może podejmować decyzje interakcyjne wiele razy na sekundę: czy mówić, kontynuować słuchanie, pauzować, przerywać lub uruchomić narzędzie”. To rozwiązuje niedoskonałości wcześniejszych trybów głosowych, które opierały się na przerwach w ciszy i często przerywały w nieodpowiednim momencie.
„Można nawet zapomnieć, że rozmawia się z AI. Jak to ująć? To naprawdę, naprawdę niesamowite uczucie.”
Delegowanie w tle do GPT-5.5
Gdy zapytanie wymaga głębszego rozumowania lub przeszukania sieci, GPT-Live przekazuje je do GPT-5.5 w tle. Model głosowy podtrzymuje rozmowę za pomocą wtrąceń, a następnie płynnie integruje odpowiedź. Atty Eleti, szef produktu głosowego, stwierdził, że projekt odzwierciedla ludzki dialog:
„Podtrzymujemy rozmowę, podczas gdy w tle myślimy.”
Model wyświetla również karty wizualne dla pogody, akcji i sportu, a użytkownicy mogą ustawić poziom rozumowania na Natychmiastowy, Średni lub Wysoki.
Tłumaczenie na żywo i ciche słuchanie
Podczas demonstracji inżynier badawczy Yuchen Zhang mówił po chińsku, a GPT-Live-1 tłumaczył jego słowa na angielski w czasie rzeczywistym – jedna z funkcji, które OpenAI ma nadzieję poszerzyć atrakcyjność. Model może również milczeć przez dłuższy czas, absorbując kontekst, aż zostanie zwrócony, i odpowiada na słowo budzące – w demonstracji „Hey Chat”.
OpenAI podaje, że GPT-Live-1 i jego mniejszy odpowiednik osiągnęły lepsze wyniki niż poprzedni Advanced Voice Mode w 5–10-minutowych rozmowach testowych i poczyniły duże postępy w zakresie naukowego rozumowania oraz agentowych benchmarków wyszukiwania w sieci.
Wdrożenie i ambicje
GPT-Live-1 staje się domyślnym głosem dla warstw Go, Plus i Pro ChatGPT, podczas gdy użytkownicy bezpłatni otrzymują GPT-Live-1 mini. Modele są wdrażane na iOS, Androida i w sieci od dziś, zastępując Advanced Voice Mode. Ponad 150 milionów ludzi już korzysta z Voice i Dictation w ChatGPT co tydzień, poinformowała firma, a Eleti opisał głos jako przyszły podstawowy interfejs dla agentowych obliczeń:
„Z czasem myślimy, że to odblokuje możliwość używania głosu jako rodzaju podstawowego interfejsu do obliczeń i zarządzania coraz bardziej złożonymi, długotrwałymi pracami agentowymi.”
Zapytaj o ten tekst
Źródła i kontekst
- GizmodoThe Future Is Always Listening: OpenAI Says Its New Voice Assistant Is 'One Step Closer to a Truly Accessible AGI'
- VentureBeatOpenAI launches GPT-Live, a full-duplex voice upgrade that lets ChatGPT talk more like a person
- The Next WebOpenAI's GPT-Live: ChatGPT voice that listens and talks
- TechCrunchOpenAI releases new voice models for more natural live conversations
- Yuchen Zhang
- inżynier badawczy w OpenAI, który podczas transmitowanej premiery zademonstrował tłumaczenie na żywo
- Atty Eleti
- szef produktu głosowego ChatGPT w OpenAI
Pollar jest bezpłatny i bez reklam w tekście. Utrzymują go członkowie.
Wesprzyj Pollar