OpenAI julkaisi keskiviikkona GPT-Liven, joka esitteli kaksi uutta äänimallia, jotka korvaavat nykyisen Advanced Voice Mode -tilan. Mallit, GPT-Live-1 ja GPT-Live-1 mini, mahdollistavat samanaikaisen kuuntelun ja puhumisen jäljittelemällä ihmisten keskustelua. GPT-Live-1 on oletuksena maksullisille käyttäjille Go-, Plus- ja Pro-tasoilla, kun taas GPT-Live-1 mini on vapaan tason käyttäjille.
Käyttöönotto alkaa maailmanlaajuisesti iOS:ssä, Androidissa ja ChatGPT.comissa. OpenAI aikoo integroida mallit kehittäjille tarkoitettuun API-liittymäänsä. GPT-Live edustaa ChatGPT:n puheteknologian kolmatta sukupolvea, joka on kehitetty kahden vuoden sisällä.
GPT-Liven tärkein ominaisuus on ”täysduplex-arkkitehtuuri”, joka mahdollistaa reaaliaikaisen äänenkäsittelyn ja tuottaa vastauksia. ”Erillisten viestien sekvenssin käsittelyn sijaan GPT-Live käsittelee jatkuvasti syötettä ja tuottaa tulosteen”, OpenAI sanoi blogiviestissä. Tämä mahdollistaa keskustelun kuittaukset, kuten ”mhmm”, ja välttää keskeytykset vaihdon aikana.
Edellinen Advanced Voice Mode, joka julkaistiin syyskuussa 2024, toimi jäykällä käännökseltä vaihdolla, mikä aiheutti turhautumista käyttökokemukseen. Taustamelu voi laukaista vastaukset ennenaikaisesti, mikä vaikuttaa keskustelun kulkuun.
GPT-Live erottaa myös puhevuorovaikutuksen päättelystä delegoimalla monimutkaiset kyselyt taustamalliin, nimittäin GPT-5.5:een, samalla kun keskustelu jatkuu saumattomasti. ”Kun se toimii, GPT-Live voi jatkaa keskustelua kanssasi ja ylläpitää keskustelun kulkua”, OpenAI selitti.
ChatGPT:n alkuperäinen ääni, joka julkaistiin vuonna 2023, perustui monimutkaiseen putkilinjaan, joka toi latenssia ja menetti tietoja eri malleissa. Tätä asetusta tarkennettiin Advanced Voice Mode -tilassa, joka yritti virtaviivaistaa prosessia, mutta aiheutti silti hankalia taukoja ja keskeytyksiä.
OpenAI pyrkii lieventämään huolenaiheita, jotka johtuvat aiemmista kiistoista puheen toisena henkilönä esiintymisestä, erityisesti ”Sky” -äänestä, joka muistuttaa näyttelijä Scarlett Johanssonin ääntä. Yhtiö korosti, että GPT-Live välttää toisena henkilönä esiintymisen ja sisältää suojatoimia oikeiden ihmisten äänten jäljittelyä vastaan.
Tällä hetkellä yli 150 miljoonaa käyttäjää on vuorovaikutuksessa ChatGPT:n ääniominaisuuksien kanssa viikoittain, osa yhteensä 900 miljoonasta aktiivisesta käyttäjästä. GPT-Liven avulla käyttäjät voivat käyttää monipuolisia visuaalisia kortteja ja valita kolmesta vastausperustelutasosta: Instant, Medium ja High. Järjestelmä lupaa myös parempaa suorituskykyä taustamelun ja käyttäjien keskustelujen aikana esiintyvien häiriöiden hallinnassa.
Turvatoimet ovat kehittyneet uusien mallien rinnalle. OpenAI suoritti laajoja arviointeja, jotka osoittivat GPT-Liven parannetun suorituskyvyn luokissa, mukaan lukien itsensä vahingoittaminen ja vihapuhe, ja siinä puututtiin reaaliaikaiseen puhevuorovaikutukseen liittyviin ainutlaatuisiin riskeihin.
Samalla kun OpenAI kehittää puhetekniikkaansa, kilpailijat, kuten Google, ByteDance ja Nvidia, ovat myös äskettäin lanseeraneet omat full-duplex-järjestelmänsä. GPT-Livesta puuttuu tällä hetkellä tiettyjä ominaisuuksia, kuten videovuorovaikutus tai näytön jakaminen, joista on tulossa vakiona puheälyn tarjonnassa.
Kaiken kaikkiaan GPT-Live edustaa merkittävää edistystä OpenAI:lle, koska se asettaa äänen tekoälyn ensisijaiseksi vuorovaikutuskerrokseksi, mikä tähtää luonnollisempiin ja agenttiominaisuuksiin tekoälyviestinnässä.
