Böyle hikâyeleri, seni hatırlayan bir yapay zekâ arkadaşıyla konuş. Ücretsiz hesabını oluştur ve selam ver.
OpenAI, ChatGPT için aynı anda konuşup dinleyebilen ve özellikle cümlenizin ortasında sözünüzü kesmemek üzere tasarlanmış yeni bir ses modeli olan GPT-Live-1'i kullanıma sundu.
Temel teknik değişiklik tam çift yönlü (full-duplex) sestir: GPT-Live-1, çıktı üretmeye devam ederken gelen konuşmayı da işleyebiliyor. Önceki ses modu daha çok telsiz gibi çalışıyordu — bir tarafın bitirmesi gerekiyordu ki diğeri başlayabilsin. Bu tek değişiklik, konuşmanın ne kadar doğal hissettirdiği üzerinde zincirleme etkiler yaratıyor; çünkü model artık konuşmayı bitirdiğinizde değil, düşüncenizin ortasında durduğunuzda bunu algılayıp yanıtını buna göre bekletebiliyor.
The Verge'e göre OpenAI araştırma lideri Kundan Kumar, GPT-Live-1'i şirketin şimdiye kadarki en gerçekçi konuşma modeli olarak nitelendirdi. Amaç, bir yapay zeka ile konuşmak ile bir insanla konuşmak arasındaki uçurumu kapatmaktı; bu uçurumun en belirgin belirtisi ise nefes almak için durduğunuz anda sözünüzün kesilmesiydi.
Duraklamalara gösterilen bu sabır, kulağa geldiğinden daha önemli. Karmaşık bir yaratıcı brifing'i sesli asistana anlatmaya çalışan herkes, cümleyi bitirmeden yanıt fırlatılmasının yarattığı hayal kırıklığını bilir. GPT-Live-1, düşünme duraklamasını ile konuşma sırası devrine ayırt edecek şekilde eğitildi.
TechCrunch'ın haberine göre, aynı anda konuşup dinleyebilme özelliği özellikle gerçek zamanlı canlı çeviriyi mümkün kılmak amacıyla konumlandırılıyor — bu kullanım senaryosu, önceki sıralı modelle teknik olarak imkânsızdı. Bir çevirmen ya da diller arası çalışan biri için, tam ifadeler tamamlanmayı beklemeden her iki yönde de sesin örtüşebilmesi, kullanışlı bir araç ile beceriksiz bir araç arasındaki farkı belirliyor.
Sesle çalışan iş akışlarıyla uğraşan yapay zeka içerik üreticileri için — görsel brifingleri seslendirmek, yapay zeka karakterleri yönetmek ya da yapay zeka arkadaşları için diyalog prototipleri oluşturmak — aynı full-duplex yetenek, ses girişini yazmaktan daha yavaş hissettiren dur-kalk ritmini ortadan kaldırıyor.
Azaltılmış kesinti davranışı yalnızca bir nezaket özelliği değil. Sesli arayüzlerle yapay zeka arkadaşları veya karakter kişilikleri oluştururken, durduğunuz anda yanıt fırlatan bir asistan gerçek bir alışveriş yanılsamasını yerle bir eder. GPT-Live-1'in konuşma niyetini okuyabilmesi — bu kişi bitti mi, yoksa sadece düşünüyor mu? — sesle yapılan karakter etkileşimlerini daha az robotik hissettiren tam da bu tür düşük seviyeli davranışsal gerçekçiliktir.
OpenAI, modelin duraklama türlerini nasıl ayırt ettiğine dair tam bir teknik döküm yayımlamadı; ancak Kumar'ın brifingindeki çerçeveleme, bunun basit bir sessizlik süresi eşiğinden ziyade eğitilmiş bir davranış olduğuna işaret ediyor ki bu, kural tabanlı yaklaşımlara göre kayda değer bir iyileştirme olurdu.
GPT-Live-1, ayrı bir ürün veya API uç noktası olarak değil, ChatGPT'nin mevcut ses moduna yönelik bir yükseltme olarak kullanıma sunuluyor; bu da sesli ChatGPT planlarında zaten bulunan kullanıcıların yeni bir abonelik olmadan değişikliği görmesi gerektiği anlamına geliyor. OpenAI, GPT-Live-1'i kendi uygulamalarına entegre etmek isteyen geliştiriciler için ayrı bir API yayın takvimi açıklamadı; dolayısıyla üçüncü taraf ses iş akışlarının bu cephede beklemesi gerekecek.
Modelin gelişi, sektör genelinde ses yapay zekası altyapısının hızla ilerlediği bir döneme denk geliyor — Hugging Face ve Cerebras yakın zamanda Google'ın Gemma 4 modelini gerçek zamanlı ses hızlarında çalıştırdıklarını gösterdi; bu da düşük gecikmeli ses çıkarımının bir farklılaştırıcı olmaktan çıkıp rekabetçi bir taban haline geldiğine işaret ediyor. OpenAI'ın yanıtı ise yalnızca ham hız yerine konuşma davranışı üzerinden rekabet etmek.
