OpenAI ने GPT-Live लाँच केले आहे, ChatGPT साठी व्हॉईस मॉडेल्सची एक नवीन मालिका जी एकाच वेळी ऐकू आणि बोलू शकते, कंपनीच्या आजपर्यंतच्या संभाषणात्मक आवाजाच्या अनुभवाचा सर्वात लक्षणीय बदल म्हणून ओळखला जातो. रिलीझमध्ये ओपनएआयचे वर्णन पूर्ण-डुप्लेक्स आर्किटेक्चर म्हणून केले जाते, जे वापरकर्त्यांना सहाय्यकाशी व्यत्यय आणू देते, बोलू शकते आणि कंपनीच्या मते वास्तविक फोन कॉलसारखे वाटते.
या आठवड्यात OpenAI च्या GPT-5.6 मॉडेल फॅमिलीच्या व्यापक रोलआउटसह लाँच आले आहे आणि व्हॉईस इंटरफेसबद्दल ब्रेकिंग एआय न्यूज बनवण्याच्या प्रयत्नाचे प्रतिनिधित्व करते ते मशीनला कमांड देण्यासारखे कमी आणि एखाद्या व्यक्तीशी चॅट करण्यासारखे वाटते.
जीपीटी-लाइव्ह वेगळे काय बनवते
पारंपारिक व्हॉइस सहाय्यक अर्ध-डुप्लेक्स मोडमध्ये कार्य करतात: तुम्ही बोलता, नंतर तुम्ही थांबता, त्यानंतर सिस्टम तुमच्या विनंतीवर प्रक्रिया करते आणि प्रतिसाद देते. टर्न-टेकिंग कठोर आहे. GPT-Live फुल-डुप्लेक्स ऑडिओ प्रोसेसिंगसह तो पॅटर्न तोडतो, म्हणजे मॉडेल बोलत असताना तुम्हाला ऐकू येते. हे नैसर्गिक व्यत्यय, मध्य-वाक्य दुरुस्त्या आणि आच्छादित संभाषण सक्षम करते — ज्या प्रकारची मागे-पुढे मानव गृहीत धरतात परंतु व्हॉइस एआयने ऐतिहासिकदृष्ट्या संघर्ष केला आहे.
रॉयटर्स नुसार, GPT-लाइव्ह मॉडेल एकाच वेळी ऐकतात आणि बोलतात - ही क्षमता जी व्हॉईस एआय फील्डसाठी दीर्घकाळ लक्ष्य आहे. ChatGPT च्या व्हॉइस मोडच्या पूर्वीच्या आवृत्त्या परिभाषित केलेल्या अस्ताव्यस्त विराम आणि सक्तीने टर्न-टेकिंग काढून टाकण्याचा दृष्टिकोन.एक उल्लेखनीय तांत्रिक तपशील: जेव्हा GPT-Live ला जटिल प्रश्न येतात, तेव्हा ते GPT-5.5 कडे पाठवतात. व्हॉइस मॉडेल रिअल टाइममध्ये संभाषण प्रवाह हाताळते, तर एक मोठे तर्क मॉडेल पडद्यामागील कठीण कामांवर कार्य करते — नंतर उत्तर परत फीड करते. ओपनएआयच्या म्हणण्यानुसार श्रमांचे विभाजन, प्रतिसादाची गुणवत्ता त्याग न करता तीव्रपणे सुधारते ज्यामुळे रिअल-टाइम संभाषण नैसर्गिक वाटते.
उपलब्धता आणि किंमत
OpenAI नवीन व्हॉइस मॉडेल्स दोन स्तरांमध्ये आणत आहे:
- GPT-Live-1 — पूर्ण मॉडेल, चॅटजीपीटी सदस्यांना (प्लस, प्रो आणि टीम प्लॅन) देय देण्यासाठी आता उपलब्ध आहे.
- GPT-Live-1 mini — एक लहान, हलकी आवृत्ती मोफत ChatGPT खात्यांसाठी उपलब्ध आहे.
लाँच वेब शोध थेट व्हॉइस संभाषणात देखील आणते. सर्च इंजिन जर्नल ने अहवाल दिल्याप्रमाणे, GPT-Live थेट शोध ChatGPT व्हॉईसमध्ये समाकलित करते, ज्यामुळे वापरकर्ते वर्तमान घटनांबद्दल किंवा जलद-बदलणाऱ्या माहितीबद्दल विचारू शकतात आणि मोड स्विच न करता ताज्या वेब परिणामांवर आधारित उत्तरे मिळवू शकतात.
स्पर्धात्मक व्हॉइस एआय मार्केट
GPT-लाइव्ह वाढत्या गर्दीच्या आवाजातील AI लँडस्केपमध्ये उतरते. Google Android आणि त्याच्या Gemini Live उत्पादनावर मिथुन-शक्तीवर चालणारी व्हॉईस वैशिष्ट्ये पुढे आणत आहे, तर Apple मोठ्या भाषेच्या मॉडेल्सवर Siri पुन्हा काम करत आहे. ओपनएआयचे मुख्य प्रतिस्पर्धी, एन्थ्रोपिकने आवाजाऐवजी एजंटिक कोडिंग आणि तर्कसंगत मॉडेल्सवर आपले अलीकडील प्रयत्न केंद्रित केले आहेत.
पूर्ण-द्वैत दृष्टीकोन हा आहे जेथे व्यापक उद्योग पुढे जात असल्याचे दिसते. एकाच वेळी ऐकण्याची आणि बोलण्याची परवानगी देऊन, GPT-Live लेटन्सी कमी करते आणि वापरकर्त्यांची व्हॉइस असिस्टंट्सची सर्वात मोठी तक्रार काढून टाकते: प्रतीक्षा. क्लिष्ट प्रश्नांसाठी GPT-5.5 कडे हँडऑफ हे देखील एक सिग्नल आहे की OpenAI आवाजाला स्ट्रिप-डाउन इंटरफेस म्हणून पाहत नाही, तर त्याच्या सर्वात सक्षम मॉडेल्ससाठी समोरचा दरवाजा म्हणून पाहतो.
हे महत्त्वाचे का आहे
व्हॉइसला अनेक वर्षांपासून दुय्यम, कमांड-चालित इंटरफेस मानले जाते — टायमर सेट करण्यासाठी आणि हवामान तपासण्यासाठी चांगले, सूक्ष्म संभाषणासाठी कमी उपयुक्त. GPT-Live ची पैज अशी आहे की बॉटलनेक कधीही मॉडेलची बुद्धिमत्ता नव्हती, परंतु इंटरफेस: मानवांना एकाकी स्फोटात बोलण्यास भाग पाडते.
फुल-डुप्लेक्स संभाषण मोठ्या प्रमाणावर विश्वासार्हपणे कार्य करत असल्यास, लोक फोनवर, कारमध्ये, स्मार्ट स्पीकरवर आणि शेवटी घालण्यायोग्य उपकरणांवर AI शी संवाद कसा साधतात ते बदलते. हे परिचित चिंता देखील वाढवते — नेहमी ऐकणाऱ्या उपकरणांमधील संमतीबद्दल, सिंथेटिक आवाजांच्या वास्तववादाबद्दल आणि अधिक नैसर्गिक संभाषण वापरकर्त्यांना AI च्या उत्तरांवर जास्त विश्वास ठेवतात की नाही याबद्दल.
OpenAI ने GPT-Live साठी त्याच्या विद्यमान सामग्री धोरणांच्या पलीकडे तपशीलवार विशिष्ट सुरक्षितता उपाय केलेले नाहीत, जरी शोध एकत्रीकरणाचा अर्थ असा आहे की मॉडेल आता थेट माहिती व्हॉइसमध्ये खेचू शकते जे वापरकर्त्यांना ते परत स्क्रोल करू शकणाऱ्या मजकूरापेक्षा गंभीरपणे मूल्यांकन करणे कठीण असू शकते.
पुढे काय येईल
आत्तासाठी, GPT-Live हे ChatGPT वैशिष्ट्य प्रथम आणि विकसक उत्पादन दुसरे आहे. खरी चाचणी API प्रवेशासह येईल, जेव्हा तृतीय-पक्ष ॲप्स, ग्राहक-सेवा प्लॅटफॉर्म आणि हार्डवेअर निर्माते त्यांच्या स्वतःच्या उत्पादनांमध्ये पूर्ण-डुप्लेक्स संभाषण प्लग करू शकतात. तसेच जेव्हा OpenAI ला स्वस्त ओपन-सोर्स व्हॉईस मॉडेल्स आणि वैशिष्ट्याशी जुळण्यास उत्सुक असलेल्या स्पर्धकांकडून किंमतींच्या दबावाचा सामना करावा लागेल.
GPT-5.6 च्या सार्वजनिक प्रकाशनासह एकाचवेळी लाँच केल्याने OpenAI ला आवाज आणि तर्कशक्ती एकाच रणनीतीचे दोन भाग म्हणून पाहते: एक शक्तिशाली मॉडेल जे विचार करते, इंटरफेससह जोडलेले आहे जे तुम्हाला सहकाऱ्याप्रमाणे त्याच्याशी बोलू देते.
AI च्या पुढे रहा
मॉडेल रिलीझ, व्हॉइस एआय आणि उद्योगाला आकार देणाऱ्या प्रत्येक गोष्टीच्या सतत कव्हरेजसाठी, AI Buzz Wire येथे नवीनतम AI घडामोडींचे अनुसरण करा.
अधिक AI बातम्या वाचा →
