OpenAI je danas predstavio nove razgovorne modele, nazvane GPT-Live-1 i GPT-Live-1 mini, koji se hvale da zvuče prirodnije i bolje upravljaju prekidima. Ovi modeli su full-duplex, što znači da mogu govoriti i slušati istovremeno, omogućujući korisnicima da prirodno prekidaju i omogućujući značajke poput live prijevoda.
Tvrtka također zamjenjuje svoj trenutni napredni glasovni način rada u ChatGPT-u s GPT-Live-1 mini kao zadanim. Korisnici plaćenih planova moći će pristupiti većem modelu GPT-Live-1. Prethodni model kombinirao je model za pretvaranje govora u tekst za transkripciju govora, veliki jezični model za generiranje odgovora i model za pretvaranje teksta u govor za isporuku konačnog odgovora.
Tvrtka je na tiskovnoj konferenciji izjavila da novi modeli rješavaju probleme poput prekidanja korisnika dok govore i nemogućnosti odgovaranja na pitanja. Novi modeli OpenAI-a slat će upit svojim najnovijim tekstualnim modelima poput GPT-5.5 za pretraživanje, rasuđivanje ili agentne sposobnosti dok nastavljaju razgovor.
OpenAI je također pokazao da model može dugo šutjeti i upijati kontekst razgovora dok ne bude pozvan. Osim toga, budući da novi glasovni način ima pristup novijim GPT modelima, može također prikazati neke informacije u vizualnom formatu. Druge tvrtke poput Monograma, koje je prikupilo 40 milijuna dolara u početnom financiranju od DST i Lux Capital, također se okreću vizualnim odgovorima kako bi asistenti postali interaktivniji.
Tvrtka je izjavila da je novi glasovni način rada u ChatGPT-u osmišljen za duže razgovore. Tijekom brifinga, voditelj proizvoda ChatGPT Voice, Atty Eleti, rekao je da je imao razgovore koji su trajali 30 do 40 minuta s glasovnom funkcijom tijekom šetnji.
OpenAI smatra da bi glas mogao biti primarno sučelje za računalstvo u složenom radu. Izvještaji sugeriraju da bi mogli lansirati par slušalica s AI mogućnostima ove godine. Međutim, nisu pružili nikakve informacije o hardverskim proizvodima.
„S vremenom, mislimo da će to također omogućiti korištenje glasa kao primarnog sučelja za računalstvo i upravljanje sve složenijim dugotrajnim agentnim radom. Vjerujemo da glas može biti buduće sučelje za sve vrste rada“, rekao je Eleti.
OpenAI je radila na jačanju glasovnih značajki tijekom posljednjih nekoliko godina kako bi glasovni način rada ChatGPT-a zvučao prirodnije. Tvrtka je izjavila da više od 150 milijuna ljudi razgovara s ChatGPT-om koristeći značajke poput glasa i diktiranja.
Konkurenti također pokušavaju učiniti asistente izražajnijima. Apple i Amazon ažurirali su svoje asistente kako bi bili razgovorniji s boljim upravljanjem kontekstom. Startupi poput Sesame, koji je osnovao suosnivač Oculusa Brendan Iribe, također su lansirali AI asistente s prirodnijim razgovorom dok obavljaju zadatke u pozadini.
OpenAI ide u istom smjeru, nastojeći omogućiti korisnicima da razgovaraju s njegovim asistentom bez ruku dulje vrijeme. Unatoč tvrdnji da novi glasovni način zvuči prirodnije, tvrtka je naglasila da ne namjerava učiniti ovo AI pratiteljem. Napomenuli su da novi modeli imaju ugrađene sigurnosne mjere koje daju odgovore prikladne za dob mladima i pružaju resurse ako razgovor skrene na teme poput samoozljeđivanja.
Novi glasovni način još uvijek treba raditi. Tijekom demo prikaza, kada je tvrtka pokazala svoju značajku live prijevoda na hindskom, asistent je imao jak američki naglasak i govorio je hindskim jezikom na način koji nije bio prirodan i imao je pomalo književni ton. Tvrtka je izjavila da je novi način optimiziran za „većinu govorenih jezika“, ali nije specificirala koji su to jezici.
