Поспілкуйся про такі історії зі ШІ-компаньйоном, який тебе пам’ятає. Створи безкоштовний акаунт і привітайся.
OpenAI випустила GPT-Live-1 — нову голосову модель для ChatGPT, яка може говорити й слухати одночасно, а ще спеціально розроблена так, щоб не перебивати вас на півслові.
Основна технічна зміна — повнодуплексне аудіо: GPT-Live-1 обробляє вхідне мовлення, поки ще продовжує відтворювати відповідь. Попередній голосовий режим працював більше як рація — одна сторона мала завершити, перш ніж могла почати інша. Ця єдина зміна має каскадний ефект на природність розмови, адже тепер модель здатна розпізнати, що ви зробили паузу в середині думки, а не завершили висловлювання, і відповідно затримати свою відповідь.
За даними The Verge, керівник дослідницького напряму OpenAI Кундан Кумар представив GPT-Live-1 як найбільш реалістичну в розмовному плані модель компанії на сьогодні. Мета полягала в тому, щоб скоротити розрив між спілкуванням з AI та спілкуванням з людиною — найочевиднішим проявом цього розриву була схильність моделі втручатися в момент, коли ви зупиняєтеся, щоб перевести подих.
Терпимість до пауз важливіша, ніж може здатися. Кожен, хто намагався надиктувати складний творчий бриф голосовому асистенту, знає це розчарування: система видає відповідь ще до того, як ви завершили речення. GPT-Live-1 навчена відрізняти паузу для роздумів від передачі слова співрозмовнику.
TechCrunch повідомляє, що одночасне мовлення й слухання спеціально позиціонується як можливість для синхронного живого перекладу — сценарій використання, який був технічно неможливий із попередньою послідовною моделлю. Для перекладача або будь-кого, хто працює з кількома мовами, можливість перекривати аудіо в обох напрямках без очікування завершення повних висловлювань — це різниця між корисним інструментом і незручним.
Для AI-творців, які працюють із голосовими пайплайнами — надиктовують брифи для зображень, керують AI-персонажами або прототипують діалоги для AI-компаньйонів — та сама повнодуплексна можливість усуває ритм «стоп-старт», через який голосовий ввід відчувається повільнішим за набір тексту.
Поведінка зі зменшеною кількістю перебивань — це не просто функція ввічливості. Коли ви створюєте AI-компаньйонів або персонажів із голосовими інтерфейсами, асистент, який відповідає миттєво після паузи, руйнує ілюзію справжнього обміну репліками. Здатність GPT-Live-1 зчитувати комунікативний намір — людина завершила думку чи просто розмірковує? — це саме той рівень поведінкового реалізму, який робить голосову взаємодію з персонажами менш роботизованою.
OpenAI не опублікувала повного технічного опису того, як модель розрізняє типи пауз, але формулювання з брифінгу Кумара натякає на те, що це навчена поведінка, а не простий поріг тривалості тиші — що було б суттєвим покращенням порівняно з підходами на основі правил.
GPT-Live-1 розгортається як оновлення наявного голосового режиму ChatGPT, а не як окремий продукт чи API-ендпоінт, тобто користувачі, які вже мають плани з підтримкою голосу в ChatGPT, побачать зміни без нової підписки. OpenAI не оголосила окремих термінів випуску API для розробників, які хочуть інтегрувати GPT-Live-1 у власні застосунки, тому сторонні голосові пайплайни поки що змушені чекати.
Поява моделі відбувається на тлі швидкого розвитку голосової AI-інфраструктури в галузі — Hugging Face і Cerebras нещодавно продемонстрували запуск Google Gemma 4 зі швидкістю, придатною для голосу в реальному часі, що сигналізує: низьколатентний голосовий інференс стає конкурентним базовим рівнем, а не диференціатором. Відповідь OpenAI — конкурувати на рівні розмовної поведінки, а не лише сирої швидкості.
