OpenAI внедряет полнодуплексную голосовую связь GPT-Live для пользователей ChatGPT

В среду компания OpenAI начала внедрение обновленного голосового режима для пользователей ChatGPT, заменив расширенный голосовой режим двумя моделями, GPT-Live-1 и GPT-Live-1 mini, которые могут одновременно слышать пользователя и отвечать.

Обновление будет доступно для бесплатных и платных учетных записей пользователей и выйдет за день до запуска компанией семейства моделей GPT-5.6.

Основная причина перехода на GPT Live — архитектурная. В то время как предыдущие голосовые модели ждали, пока человек закончит предложение, GPT-Live работает на основе полнодуплексной архитектуры OpenAI, которая предполагает обработку входной речи и одновременное генерирование выходной речи.

Согласно заявлению OpenAI, модель принимает решение много раз в секунду: говорить, продолжать слушать, сделать паузу, вмешаться или взять в руки инструмент. На практике это означает, что пользователь может говорить поверх её речи, остановиться, чтобы подумать, не будучи прерванным, или услышать, как она вставляет «м-м-м», сигнализируя о том, что она следит за ходом мысли.

OpenAI внедряет GPT-Live в ChatGPT Voice

В бесплатных аккаунтах ChatGPT по умолчанию используется GPT-Live-1 mini, а подписчики тарифов Go, Plus и Pro получают более крупный GPT-Live-1.

Обновление распространяется на iOS, Android и веб-версию, и, поскольку ChatGPT уже работает через CarPlay, как отмечает 9to5Mac, оно также доступно и для автомобилей. OpenAI заявляет, что девять голосов в ChatGPT были переработаны для новых моделей.

Также было заявлено, что GPT-Live был разработан как диалоговый инструмент, а не как механизм логического мышления. Для более сложных запросов GPT-Live не обрабатывает все самостоятельно. По данным OpenAI, голосовая модель способна делегировать такие задачи, как поиск в интернете, логическое мышление и даже многошаговые ответы, GPT-5.5 без прерывания голосового разговора.

Это призвано устранить один из главных недостатков предыдущего голосового режима ChatGPT, который иногда казался менее эффективным по сравнению с набором текста. Пользователи также смогут выбирать между режимом быстрого ответа и режимом высоких усилий.

OpenAI также добавляет практически в реальном времени перевод речи и визуальные карточки для отображения погоды, котировок акций и спортивных результатов, предоставляя пользователям часть ответов на экране вместо того, чтобы ChatGPT зачитывал все вслух. Компания заявила, что более 150 миллионов человек уже еженедельно используют такие функции ChatGPT, как голосовой ввод и диктовка.

GPT-Live улучшает качество передачи голоса, но оставляет пробелы

По данным TechCrunch, освещавшего пресс-конференцию OpenAI, перевод на хинди отличалсяtronамериканским акцентом, а также очень чопорным и книжным языком.

По данным OpenAI, модель лучше всего работает для «некоторых из наиболее распространенных языков в ChatGPT», хотя они предупреждают, что могут возникнуть проблемы с акцентом или беглостью речи на некоторых языках. Кроме того, OpenAI заявила, что голосовая связь в сочетании с видео и демонстрацией экрана в настоящее время не поддерживается.

Хотя OpenAI позиционирует GPT-Live как более человекоподобную версию всей своей линейки моделей, компания настаивает на том, что это не ИИ-компаньон. Компания также подчеркнула меры предосторожности, которые она приняла для обеспечения адекватных ответов подросткам. Кроме того, она добавила, что имеются ресурсы для реагирования на кризисные ситуации, если разговор пользователя будет направлен на причинение себе вреда.

Аудиозаписи из разговоров в режиме реального времени и расширенного голосового режима сохраняются в течение 30 дней и не используются для обучения моделей, если пользователи сами не решат ими поделиться.

Адвокат Элети, руководитель разработки продукта ChatGPT Voice, рассказал на брифинге, что во время прогулок он проводил с помощью этой функции 30-40-минутные беседы и высказал мнение, что голосовое управление может стать основным способом выполнения более длительных и сложных задач.

Судя по удивительным примерам использования Codex и ChatGPT, мы считаем, что голосовое управление может стать интерфейсом будущего для самых разных задач

– Элети, TechCrunch

Запуск GPT-5.6 позволяет определить сроки его проведения

Обновление голосового интерфейса не связано с запланированным на четверг выпуском модели от OpenAI.

Согласно Cryptopolitan, разрешение GPT-5.6 было получено после того, как Министерство торговли США сняло эмбарго, введенное в ходе проверки национальной безопасности, и программа доступна в трех версиях: Sol, Terra и Luna.

После запуска для потребителей GPT-Live станет доступен через API OpenAI, и разработчики смогут зарегистрироваться для получения доступа.