Представляем GPT-Live | OpenAI

Новое поколение голосовых моделей для естественного взаимодействия человека с ИИ теперь лежит в основе ChatGPT Voice.

Мы запускаем GPT-Live, новое поколение голосовых моделей, благодаря которым общение с ИИ будет гораздо больше похоже на настоящий разговор.

GPT-Live построен на полнодуплексной архитектуре, что означает, что он может одновременно слушать и говорить. Во время разговоров GPT-Live может демонстрировать свою внимательность фразами типа «м-м» или «да», участвовать в быстром обмене репликами или просто молчать, когда вам нужно немного подумать. В результате получается голосовой интерфейс, который удивительно удобен для общения.

GPT-Live — это также наша самая умная голосовая модель на сегодняшний день. Для вопросов, требующих поиска в интернете, более глубокого анализа или более сложной работы, она передает задачу нашей новейшей перспективной модели, которая обрабатывает ее в фоновом режиме и возвращает результат в разговор, когда он готов. Пока она работает, GPT-Live может продолжать общаться с вами и поддерживать ход беседы. На момент запуска GPT-Live будет использовать GPT-5.5 в фоновом режиме. По мере выпуска новых перспективных моделей мы будем постоянно обновлять модель, используемую GPT-Live.

Эти достижения обеспечивают работу новой версии ChatGPT Voice, которая стала более интеллектуальной и естественной в использовании. Мы считаем, что со временем это исследование также откроет возможности для использования голоса в более сложных, длительных и автоматизированных задачах.

Сегодня мы начинаем внедрение двух версий GPT-Live – GPT-Live-1 и GPT-Live-1 mini – для пользователей ChatGPT по всему миру. Вскоре мы также планируем добавить их в API, и разработчики и предприятия могут подписаться на уведомления, используя эту форму .

Вступление в новую эру взаимодействия человека и искусственного интеллекта.

Наша цель — обеспечить по-настоящему естественное взаимодействие человека и ИИ: мир, где сотрудничество с ИИ будет таким же плавным и отзывчивым, как работа с другим человеком, а рассуждения и выполнение сложных задач будут происходить незаметно в фоновом режиме.

Предыдущие подходы

Более ранние поколения голосовых систем искусственного интеллекта приблизили нас к этой цели, но с важными компромиссами.

Каскадные голосовые системы

Каскадные голосовые системы основаны на серии моделей, последовательно обрабатывающих каждый ход. Оригинальная система ChatGPT Voice объединяла три модели: модель преобразования речи в текст для транскрипции вашей речи, большую языковую модель для генерации ответа и модель преобразования текста в речь для обратного преобразования его в речь. Такой подход позволил нам впервые взаимодействовать с передовыми моделями ИИ, но сложность имела свою цену: информация могла теряться между моделями, а ответы были медленными и неестественными.

Каскадная голосовая система

Медленные и неестественные ответы, долгие паузы.

STT GPT-5.5 TTS STT GPT-5.5 TTS Пример расшифровки разговора в стандартном голосовом режиме с использованием GPT-5.5 Instant

Источник: openai.com