OpenAI обяви актуализация на своя гласов интерфейс на ChatGPT, базирана на ново поколение GPT-Live модели. Тази актуализация ефективно елиминира предишния модел „уоки-токи“, при който потребителят и асистентът се редуваха да обменят думи. ChatGPT вече може да слуша, мисли и говори едновременно, което прави диалога възможно най-близък до човешкото взаимодействие.

Краят на формата уоки-токи: Как работи GPT-Live?

Новата архитектура поддържа режим на пълен дуплекс. Това означава, че изкуственият интелект вече не чака пълна тишина, за да започне обработката на заявката. Той възприема информацията в реално време, което позволява на потребителя да прекъсне системата по всяко време. Изкуственият интелект се адаптира мигновено към промените в темата или уточненията, без да губи нишката на разговора, според Neowin.

Докато предишният Advanced Voice Mode, който беше пуснат през 2024 г., вече предлага бързи отговори, технологията GPT-Live издига това взаимодействие на съвсем ново ниво на стабилност и естественост.

Интелект от следващо ниво: От GPT-Realtime до GPT-5.5

Технологичната основа на актуализацията е базирана на работата на модела GPT-Realtime-2, обявен по-рано от OpenAI. За разлика от по-ранните системи, които се фокусираха предимно върху скоростта на преобразуване на текст в реч, новата версия добавя логически и разсъждаващи възможности на ниво GPT-5 към гласовите приложения. Това позволява на ChatGPT да изпълнява сложни многоетапни задачи и надеждно да поддържа дълги разговори, като същевременно запазва естествената скорост на речта.

За да осигури дълбочина на отговорите си, GPT-Live използва мощта на най-модерните модели на компанията. В момента моделът GPT-5.5 е отговорен за сложните разсъждения и търсенето на информация в интернет „зад кулисите“. Това позволява на асистента не само да поддържа разговор, но и да предоставя обосновани отговори на въпросите, които изискват задълбочен анализ или проверка на фактите в реално време.

Освен това, разработчиците намекнаха за пускането на още по-мощна версия GPT-5.6, което би трябвало да се състои в близко бъдеще, пише 9to5Mac.

Една от най-интересните характеристики на GPT-Live е способността му да поддържа разговора невербално. Моделът е обучен да предоставя кратки потвърждения, като например „добре“ или „ъ-хъ“, когато потребителят прави пауза или забавя темпото, но все още не е завършил изречението си.

Изкуственият интелект се е научил също да прави паузи и да мълчи, ако усети, че човек се нуждае от време, за да формулира изречението си. Тези малки детайли правят потребителското изживяване по-малко подобно на работата с програма и по-скоро на разговор с човешки асистент.

Достъпност за всички: от CarPlay до безплатните акаунти

OpenAI пуска актуализацията в две версии:

GPT-Live-1 и GPT-Live-1 mini. Клиентите с планове Plus, Pro и корпоративните клиенти на плана ChatGPT Go ще имат достъп до напълно функционалния модел Tier 1; За тези, които използват услугата безплатно, е налична мини версия, която също предлага нови гласови възможности, но с определени ограничения в мощността за обработка на сложните заявки.

В допълнение към техническите подобрения на модела, OpenAI значително разшири екосистемата ChatGPT Voice. Една от ключовите иновации е пълната поддръжка на Apple CarPlay. Това позволява на шофьорите безопасно да взаимодействат с изкуствения интелект по време на шофиране, използвайки естествена реч за навигация, имейл или просто да поискат помощ, без да откъсват поглед от пътя.

Новите модели също стават достъпни чрез API за разработчиците от трети страни и големите предприятия. Това означава, че скоро ще видим ново поколение гласови агенти, появяващи се в услугите за поддръжка на клиенти, образователните приложения и навигационните системи, способни да участват в смислени разговори, да разбират емоционалния контекст и да работят без технически проблеми.