OpenAI представила GPT-Live — новое поколение голосовых моделей, которое полностью заменяет прежний режим Advanced Voice Mode в ChatGPT. Раскатка началась 8 июля сразу по всему миру: на iOS, Android и в браузере. Платным подписчикам достаётся старшая модель GPT-Live-1, бесплатным пользователям — облегчённая GPT-Live-1 mini, а разработчикам доступ через API обещают «в ближайшее время», не называя конкретных сроков. Аудитория у обновления немаленькая: голосовым режимом и диктовкой в ChatGPT пользуются больше 150 миллионов человек еженедельно.
Главное изменение спрятано в архитектуре. GPT-Live построена по принципу full-duplex, то есть умеет слушать и говорить одновременно, принимая решения много раз в секунду: продолжать реплику, замолчать, перебить собеседника или полезть за информацией в сеть. Прежний голосовой режим работал строго по очереди и обрывал человека буквально на любой паузе или постороннем шуме — теперь этой проблемы быть не должно.
На практике разговор действительно стал напоминать живой. Ассистент вставляет «мхм» и «ага», пока вы ещё говорите, показывая, что слушает. Если вы задумались и замолчали, он терпеливо ждёт вместо того, чтобы влезть со своим ответом. Попросите его просто помолчать и послушать — он послушается. Заодно нейросеть научилась куда лучше отсеивать уличный гул и чужие голоса на фоне, а все девять голосов ассистента для нового режима перезаписали заново.
Но самое интересное — как GPT-Live выкручивается со сложными вопросами. Раньше в таких случаях голосовой ассистент просто зависал в тягостном молчании. Теперь модель незаметно передаёт задачу более мощной GPT-5.5, работающей в фоне, а сама продолжает поддерживать беседу как ни в чём не бывало — и вплетает готовый ответ в разговор, когда тот подоспеет. Архитектура при этом модульная: начинку можно менять на более умную, не переучивая голосовую часть. Пользователь заодно может сам выбрать глубину раздумий — от мгновенных ответов до режима, где ассистент подумает подольше.
Голос перестал быть чисто звуковым и обзавёлся картинкой. Прямо во время разговора ChatGPT теперь показывает на экране визуальные карточки — с прогнозом погоды, котировками акций, спортивными результатами и не только. Всё остальное при этом никуда не делось: поиск в сети, память, работа с изображениями и загруженными файлами по-прежнему доступны голосом. Отдельно завезли синхронный перевод, который переводит речь по ходу разговора, не дожидаясь конца фразы, а работает всё это в том числе в CarPlay — так что болтать с ассистентом можно и за рулём.
Без ограничений, впрочем, не обошлось. На старте GPT-Live не поддерживает голосовое общение с видео и демонстрацией экрана, а также не работает во временных чатах, десктопном приложении и пользовательских GPT — ради всего этого придётся возвращаться в старый режим. Часть языков модель освоила хуже других, так что где-то возможен неродной акцент и провалы в беглости. Сравнительных цифр по задержке компания не публиковала, зато рассказала о собственных слепых тестах: в разговорах длиной от пяти до десяти минут люди чаще выбирали новинку, а не прежний голосовой режим.
А вам вообще комфортно, когда ассистент поддакивает и перебивает, как живой человек? Или машина всё-таки должна вести себя иначе — расскажите, что думаете, в комментариях.
НовостиЖелезо и технологииChatGPTOpenAIвидеоизображения
Источник: vgtimes.ru