Porozmawiaj o takich historiach z towarzyszem AI, który Cię pamięta. Załóż darmowe konto i się przywitaj.
OpenAI wydało GPT-Live-1 — nowy model głosowy dla ChatGPT, który potrafi jednocześnie mówić i słuchać, a przy tym został zaprojektowany specjalnie po to, by przestać ucinać ci słowo w pół zdania.\n\n## Najważniejsze informacje\n\n- GPT-Live-1 to nowy model głosowy OpenAI dla ChatGPT, stworzony z myślą o rzadszym przerywaniu użytkownikom i wytrzymywaniu naturalnych pauz w środku wypowiedzi.\n- Model potrafi jednocześnie mówić i słuchać — możliwość techniczna, która po raz pierwszy czyni tłumaczenie na żywo w czasie rzeczywistym praktycznym rozwiązaniem w ChatGPT.\n- Kierownik ds. badań OpenAI Kundan Kumar opisał GPT-Live-1 jako model zaprojektowany tak, by rozmowa przypominała bardziej „rozmowę z drugim człowiekiem" niż poprzednie tryby głosowe.\n- Aktualizacja to gruntowna przebudowa istniejącego trybu głosowego ChatGPT, a nie osobny produkt.\n- Jednoczesne mówienie i słuchanie to kluczowa różnica techniczna w stosunku do poprzedniego modelu głosowego, który nie potrafił robić obu rzeczy naraz.\n\n## Co GPT-Live-1 robi inaczej\n\nPodstawowa zmiana techniczna to audio w trybie full-duplex: GPT-Live-1 przetwarza przychodzącą mowę, jednocześnie produkując odpowiedź. Poprzedni tryb głosowy działał bardziej jak krótkofalówka — jedna strona musiała skończyć, zanim druga mogła zacząć. Ta jedna zmiana wywołuje efekt domina w kwestii naturalności rozmowy, ponieważ model może teraz wykryć, że zrobiłeś pauzę w połowie myśli, a nie skończyłeś mówić, i odpowiednio wstrzymać swoją odpowiedź.\n\nJak podaje The Verge, kierownik ds. badań OpenAI Kundan Kumar przedstawił GPT-Live-1 jako najbardziej konwersacyjnie realistyczny model firmy do tej pory. Celem było zmniejszenie przepaści między rozmową z AI a rozmową z człowiekiem — a najbardziej oczywistym objawem tej przepaści była tendencja do wchodzenia w słowo w chwili, gdy przerywasz, żeby zaczerpnąć oddechu.\n\nTa cierpliwość wobec pauz ma większe znaczenie, niż mogłoby się wydawać. Każdy, kto próbował podyktować asystentowi głosowemu złożony brief kreatywny, zna frustrację, gdy asystent odpala odpowiedź, zanim zdążysz dokończyć zdanie. GPT-Live-1 jest trenowany tak, by odróżniać pauzę na myślenie od przekazania głosu rozmówcy.\n\n## Tłumaczenie na żywo jako najbardziej czytelny test praktyczny\n\nTechCrunch donosi, że jednoczesne mówienie i słuchanie jest specjalnie pozycjonowane jako funkcja umożliwiająca tłumaczenie na żywo w czasie rzeczywistym — przypadek użycia, który był technicznie niemożliwy przy poprzednim modelu sekwencyjnym. Dla tłumacza lub kogokolwiek pracującego w wielu językach możliwość nakładania się dźwięku w obu kierunkach bez czekania na zakończenie pełnych wypowiedzi to różnica między użytecznym narzędziem a niezgrabnym.\n\nDla twórców AI pracujących z potokami opartymi na głosie — dyktujących briefy do obrazów, reżyserujących postacie AI lub prototypujących dialogi dla towarzyszy AI — ta sama możliwość full-duplex usuwa rytm stop-start, który sprawia, że wprowadzanie głosowe wydaje się wolniejsze niż pisanie.\n\n## Obsługa przerywania i co oznacza dla pracy z postaciami AI\n\nZachowanie polegające na rzadszym przerywaniu to nie tylko kwestia uprzejmości. Budując towarzyszy AI lub persony postaci z interfejsami głosowymi, asystent, który odpala odpowiedź w chwili, gdy robisz pauzę, niszczy iluzję prawdziwej wymiany zdań. Zdolność GPT-Live-1 do odczytywania intencji konwersacyjnych — czy ta osoba skończyła, czy tylko myśli? — to dokładnie ten rodzaj niskopoziomowego realizmu behawioralnego, który sprawia, że interakcje głosowe z postaciami wydają się mniej robotyczne.\n\nOpenAI nie opublikowało pełnego technicznego opisu tego, jak model rozróżnia typy pauz, ale sformułowania z briefingu Kumara sugerują, że jest to zachowanie wyuczone, a nie prosty próg czasu ciszy — co stanowiłoby istotną poprawę w stosunku do podejść opartych na regułach.\n\n## Wdrożenie i dostęp\n\nGPT-Live-1 jest wdrażany jako aktualizacja istniejącego trybu głosowego ChatGPT, a nie jako osobny produkt czy punkt końcowy API, co oznacza, że użytkownicy korzystający już z planów ChatGPT z obsługą głosu powinni zobaczyć zmianę bez nowej subskrypcji. OpenAI nie ogłosiło osobnego harmonogramu wydania API dla deweloperów chcących zintegrować GPT-Live-1 we własnych aplikacjach, więc zewnętrzne potoki głosowe będą musiały na to poczekać.\n\nPojawienie się modelu zbiega się z momentem, gdy infrastruktura głosowego AI szybko się rozwija w całej branży — Hugging Face i Cerebras niedawno zademonstrowano uruchamianie Google Gemma 4 z prędkościami głosowymi w czasie rzeczywistym, sygnalizując, że wnioskowanie głosowe z niskim opóźnieniem staje się konkurencyjnym punktem odniesienia, a nie wyróżnikiem. Odpowiedzią OpenAI jest rywalizacja na polu zachowania konwersacyjnego, a nie wyłącznie surowej prędkości.
