OpenAI ਨੇ GPT-Live ਨੂੰ ਲਾਂਚ ਕੀਤਾ ਹੈ, ChatGPT ਲਈ ਵੌਇਸ ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਨਵੀਂ ਲੜੀ ਜੋ ਇੱਕੋ ਸਮੇਂ ਸੁਣ ਅਤੇ ਬੋਲ ਸਕਦੀ ਹੈ, ਕੰਪਨੀ ਦੇ ਹੁਣ ਤੱਕ ਦੇ ਸੰਵਾਦ ਸੰਬੰਧੀ ਵੌਇਸ ਅਨੁਭਵ ਦੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਰੀਲੀਜ਼ ਓਪਨਏਆਈ ਨੂੰ ਇੱਕ ਫੁੱਲ-ਡੁਪਲੈਕਸ ਆਰਕੀਟੈਕਚਰ ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਣਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਅਸਿਸਟੈਂਟ ਨਾਲ ਇਸ ਤਰੀਕੇ ਨਾਲ ਰੁਕਾਵਟ, ਗੱਲ ਕਰਨ ਅਤੇ ਗੱਲਬਾਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲਦੀ ਹੈ ਜਿਸ ਤਰ੍ਹਾਂ ਕੰਪਨੀ ਕਹਿੰਦੀ ਹੈ ਕਿ ਇੱਕ ਅਸਲੀ ਫ਼ੋਨ ਕਾਲ ਵਾਂਗ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ।
ਲਾਂਚ ਇਸ ਹਫਤੇ OpenAI ਦੇ GPT-5.6 ਮਾਡਲ ਪਰਿਵਾਰ ਦੇ ਵਿਆਪਕ ਰੋਲਆਊਟ ਦੇ ਨਾਲ ਆਇਆ ਹੈ, ਅਤੇ ਵੌਇਸ ਇੰਟਰਫੇਸ ਬਾਰੇ ਬ੍ਰੇਕਿੰਗ AI ਨਿਊਜ਼ ਬਣਾਉਣ ਲਈ ਇੱਕ ਦਬਾਅ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਮਸ਼ੀਨ ਨੂੰ ਚਲਾਉਣ ਵਰਗਾ ਘੱਟ ਮਹਿਸੂਸ ਕਰਦਾ ਹੈ ਅਤੇ ਕਿਸੇ ਵਿਅਕਤੀ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਵਰਗਾ।
ਕੀ GPT-ਲਾਈਵ ਨੂੰ ਵੱਖਰਾ ਬਣਾਉਂਦਾ ਹੈ
ਰਵਾਇਤੀ ਵੌਇਸ ਅਸਿਸਟੈਂਟ ਅੱਧੇ-ਡੁਪਲੈਕਸ ਮੋਡ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ: ਤੁਸੀਂ ਬੋਲਦੇ ਹੋ, ਫਿਰ ਤੁਸੀਂ ਰੁਕਦੇ ਹੋ, ਫਿਰ ਸਿਸਟਮ ਤੁਹਾਡੀ ਬੇਨਤੀ 'ਤੇ ਕਾਰਵਾਈ ਕਰਦਾ ਹੈ ਅਤੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਵਾਰੀ-ਵਾਰੀ ਸਖ਼ਤ ਹੈ। GPT-ਲਾਈਵ ਉਸ ਪੈਟਰਨ ਨੂੰ ਫੁੱਲ-ਡੁਪਲੈਕਸ ਆਡੀਓ ਪ੍ਰੋਸੈਸਿੰਗ ਨਾਲ ਤੋੜਦਾ ਹੈ, ਮਤਲਬ ਕਿ ਮਾਡਲ ਤੁਹਾਨੂੰ ਸੁਣ ਸਕਦਾ ਹੈ ਜਦੋਂ ਇਹ ਗੱਲ ਕਰ ਰਿਹਾ ਹੁੰਦਾ ਹੈ। ਇਹ ਕੁਦਰਤੀ ਰੁਕਾਵਟਾਂ, ਮੱਧ-ਵਾਕ ਦੇ ਸੁਧਾਰਾਂ, ਅਤੇ ਓਵਰਲੈਪਿੰਗ ਗੱਲਬਾਤ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ - ਜਿਸ ਤਰ੍ਹਾਂ ਦੇ ਪਿੱਛੇ-ਪਿੱਛੇ ਮਨੁੱਖਾਂ ਨੂੰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਪਰ ਆਵਾਜ਼ AIs ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਸੰਘਰਸ਼ ਕਰਦੇ ਰਹੇ ਹਨ।
ਰਾਇਟਰਜ਼ ਦੇ ਅਨੁਸਾਰ, GPT-ਲਾਈਵ ਮਾਡਲ ਇੱਕੋ ਸਮੇਂ ਸੁਣਦੇ ਅਤੇ ਬੋਲਦੇ ਹਨ - ਇੱਕ ਸਮਰੱਥਾ ਜੋ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਵੌਇਸ AI ਖੇਤਰ ਲਈ ਨਿਸ਼ਾਨਾ ਰਹੀ ਹੈ। ਪਹੁੰਚ ਅਜੀਬੋ-ਗਰੀਬ ਵਿਰਾਮ ਅਤੇ ਜ਼ਬਰਦਸਤੀ ਵਾਰੀ-ਵਾਰੀ ਨੂੰ ਹਟਾਉਂਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ChatGPT ਦੇ ਵੌਇਸ ਮੋਡ ਦੇ ਪੁਰਾਣੇ ਸੰਸਕਰਣਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ।ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਤਕਨੀਕੀ ਵੇਰਵਾ: ਜਦੋਂ GPT-ਲਾਈਵ ਗੁੰਝਲਦਾਰ ਸਵਾਲਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਉਹਨਾਂ ਨੂੰ ਬੈਕਗ੍ਰਾਊਂਡ ਵਿੱਚ GPT-5.5 ਦੇ ਹਵਾਲੇ ਕਰ ਦਿੰਦਾ ਹੈ। ਵੌਇਸ ਮਾਡਲ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਗੱਲਬਾਤ ਦੇ ਪ੍ਰਵਾਹ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਇੱਕ ਵੱਡਾ ਤਰਕ ਮਾਡਲ ਸੀਨ ਦੇ ਪਿੱਛੇ ਕਠਿਨ ਕਾਰਜਾਂ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ — ਫਿਰ ਜਵਾਬ ਨੂੰ ਵਾਪਸ ਫੀਡ ਕਰਦਾ ਹੈ। ਓਪਨਏਆਈ ਦੇ ਅਨੁਸਾਰ, ਕਿਰਤ ਦੀ ਵੰਡ, ਜਵਾਬਦੇਹੀ ਦੀ ਕੁਰਬਾਨੀ ਦਿੱਤੇ ਬਿਨਾਂ ਜਵਾਬ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਬਹੁਤ ਸੁਧਾਰ ਕਰਦੀ ਹੈ ਜੋ ਅਸਲ-ਸਮੇਂ ਦੀ ਗੱਲਬਾਤ ਨੂੰ ਕੁਦਰਤੀ ਮਹਿਸੂਸ ਕਰਦੀ ਹੈ।
ਉਪਲਬਧਤਾ ਅਤੇ ਕੀਮਤ
ਓਪਨਏਆਈ ਨਵੇਂ ਵੌਇਸ ਮਾਡਲਾਂ ਨੂੰ ਦੋ ਪੱਧਰਾਂ ਵਿੱਚ ਪੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ:
- GPT-Live-1 — ਪੂਰਾ ਮਾਡਲ, ਹੁਣ ਭੁਗਤਾਨ ਕਰਨ ਵਾਲੇ ChatGPT ਗਾਹਕਾਂ (ਪਲੱਸ, ਪ੍ਰੋ, ਅਤੇ ਟੀਮ ਪਲਾਨ) ਲਈ ਉਪਲਬਧ ਹੈ।
- GPT-Live-1 mini — ਇੱਕ ਛੋਟਾ, ਹਲਕਾ ਸੰਸਕਰਣ ਮੁਫ਼ਤ ਚੈਟਜੀਪੀਟੀ ਖਾਤਿਆਂ ਲਈ ਉਪਲਬਧ ਹੈ।
ਲਾਂਚ ਵੈੱਬ ਖੋਜ ਨੂੰ ਸਿੱਧੇ ਵੌਇਸ ਗੱਲਬਾਤ ਵਿੱਚ ਵੀ ਲਿਆਉਂਦਾ ਹੈ। ਜਿਵੇਂ ਕਿ ਖੋਜ ਇੰਜਨ ਜਰਨਲ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ, GPT-Live ਲਾਈਵ ਖੋਜ ਨੂੰ ChatGPT ਵੌਇਸ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਉਪਭੋਗਤਾ ਮੌਜੂਦਾ ਇਵੈਂਟਾਂ ਜਾਂ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਹੀ ਜਾਣਕਾਰੀ ਬਾਰੇ ਪੁੱਛ ਸਕਣ ਅਤੇ ਮੋਡ ਬਦਲੇ ਬਿਨਾਂ ਤਾਜ਼ੇ ਵੈੱਬ ਨਤੀਜਿਆਂ ਵਿੱਚ ਆਧਾਰਿਤ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰ ਸਕਣ।
ਇੱਕ ਪ੍ਰਤੀਯੋਗੀ ਵਾਇਸ ਏਆਈ ਮਾਰਕੀਟ
GPT-ਲਾਈਵ ਇੱਕ ਵਧਦੀ ਭੀੜ ਵਾਲੀ ਆਵਾਜ਼ AI ਲੈਂਡਸਕੇਪ ਵਿੱਚ ਉਤਰਦਾ ਹੈ। ਗੂਗਲ ਐਂਡਰੌਇਡ ਅਤੇ ਇਸਦੇ ਜੈਮਿਨੀ ਲਾਈਵ ਉਤਪਾਦ ਵਿੱਚ ਆਪਣੀ ਜੈਮਿਨੀ-ਪਾਵਰਡ ਵੌਇਸ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਅੱਗੇ ਵਧਾ ਰਿਹਾ ਹੈ, ਜਦੋਂ ਕਿ ਐਪਲ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੇ ਆਲੇ ਦੁਆਲੇ ਸਿਰੀ ਨੂੰ ਮੁੜ ਕੰਮ ਕਰਨਾ ਜਾਰੀ ਰੱਖਦਾ ਹੈ। ਐਂਥਰੋਪਿਕ, ਓਪਨਏਆਈ ਦੇ ਮੁੱਖ ਵਿਰੋਧੀ, ਨੇ ਆਵਾਜ਼ ਦੀ ਬਜਾਏ ਏਜੰਟਿਕ ਕੋਡਿੰਗ ਅਤੇ ਤਰਕ ਦੇ ਮਾਡਲਾਂ 'ਤੇ ਆਪਣੇ ਹਾਲੀਆ ਯਤਨਾਂ ਨੂੰ ਕੇਂਦਰਿਤ ਕੀਤਾ ਹੈ।
ਫੁੱਲ-ਡੁਪਲੈਕਸ ਪਹੁੰਚ ਉਹ ਹੈ ਜਿੱਥੇ ਵਿਸ਼ਾਲ ਉਦਯੋਗ ਜਾਪਦਾ ਹੈ. ਇੱਕੋ ਸਮੇਂ ਸੁਣਨ ਅਤੇ ਬੋਲਣ ਦੀ ਆਗਿਆ ਦੇ ਕੇ, GPT-ਲਾਈਵ ਲੇਟੈਂਸੀ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਦੁਆਰਾ ਵੌਇਸ ਅਸਿਸਟੈਂਟਸ ਦੇ ਨਾਲ ਆਈ ਸਭ ਤੋਂ ਵੱਡੀ ਸ਼ਿਕਾਇਤ ਨੂੰ ਦੂਰ ਕਰਦਾ ਹੈ: ਉਡੀਕ। ਗੁੰਝਲਦਾਰ ਸਵਾਲਾਂ ਲਈ GPT-5.5 ਦਾ ਹੈਂਡਆਫ ਇਹ ਵੀ ਇੱਕ ਸੰਕੇਤ ਹੈ ਕਿ ਓਪਨਏਆਈ ਆਵਾਜ਼ ਨੂੰ ਇੱਕ ਸਟ੍ਰਿਪਡ-ਡਾਊਨ ਇੰਟਰਫੇਸ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਇਸਦੇ ਸਭ ਤੋਂ ਸਮਰੱਥ ਮਾਡਲਾਂ ਦੇ ਸਾਹਮਣੇ ਦਰਵਾਜ਼ੇ ਵਜੋਂ ਦੇਖਦਾ ਹੈ।
ਇਹ ਮਾਇਨੇ ਕਿਉਂ ਰੱਖਦਾ ਹੈ
ਵੌਇਸ ਨੂੰ ਸਾਲਾਂ ਤੋਂ ਸੈਕੰਡਰੀ, ਕਮਾਂਡ-ਸੰਚਾਲਿਤ ਇੰਟਰਫੇਸ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ — ਟਾਈਮਰ ਸੈਟ ਕਰਨ ਅਤੇ ਮੌਸਮ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਵਧੀਆ, ਸੰਖੇਪ ਗੱਲਬਾਤ ਲਈ ਘੱਟ ਉਪਯੋਗੀ। ਜੀਪੀਟੀ-ਲਾਈਵ ਦੀ ਬਾਜ਼ੀ ਇਹ ਹੈ ਕਿ ਰੁਕਾਵਟ ਕਦੇ ਵੀ ਮਾਡਲ ਦੀ ਬੁੱਧੀ ਨਹੀਂ ਸੀ, ਪਰ ਇੰਟਰਫੇਸ: ਮਨੁੱਖਾਂ ਨੂੰ ਅਲੱਗ-ਥਲੱਗ ਬੋਲਣ ਲਈ ਮਜਬੂਰ ਕਰਦਾ ਹੈ।
ਜੇਕਰ ਫੁੱਲ-ਡੁਪਲੈਕਸ ਗੱਲਬਾਤ ਪੈਮਾਨੇ 'ਤੇ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਦੀ ਹੈ, ਤਾਂ ਇਹ ਬਦਲਦੀ ਹੈ ਕਿ ਕਿਵੇਂ ਲੋਕ AI ਨਾਲ ਫ਼ੋਨਾਂ, ਕਾਰਾਂ ਵਿੱਚ, ਸਮਾਰਟ ਸਪੀਕਰਾਂ 'ਤੇ, ਅਤੇ ਆਖਰਕਾਰ ਪਹਿਨਣਯੋਗ ਡਿਵਾਈਸਾਂ 'ਤੇ ਗੱਲਬਾਤ ਕਰਦੇ ਹਨ। ਇਹ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਚਿੰਤਾਵਾਂ ਵੀ ਪੈਦਾ ਕਰਦਾ ਹੈ — ਹਮੇਸ਼ਾ-ਸੁਣਨ ਵਾਲੇ ਯੰਤਰਾਂ ਵਿੱਚ ਸਹਿਮਤੀ ਬਾਰੇ, ਸਿੰਥੈਟਿਕ ਆਵਾਜ਼ਾਂ ਦੇ ਯਥਾਰਥਵਾਦ ਬਾਰੇ, ਅਤੇ ਇਸ ਬਾਰੇ ਕਿ ਕੀ ਵਧੇਰੇ ਕੁਦਰਤੀ ਗੱਲਬਾਤ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ AI ਦੇ ਜਵਾਬਾਂ 'ਤੇ ਜ਼ਿਆਦਾ ਭਰੋਸਾ ਕਰਨ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ।
ਓਪਨਏਆਈ ਨੇ ਆਪਣੀਆਂ ਮੌਜੂਦਾ ਸਮਗਰੀ ਨੀਤੀਆਂ ਤੋਂ ਪਰੇ GPT-ਲਾਈਵ ਲਈ ਵਿਸਤ੍ਰਿਤ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਦਾ ਵੇਰਵਾ ਨਹੀਂ ਦਿੱਤਾ ਹੈ, ਹਾਲਾਂਕਿ ਖੋਜ ਏਕੀਕਰਣ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਮਾਡਲ ਹੁਣ ਲਾਈਵ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਆਵਾਜ਼ ਵਿੱਚ ਖਿੱਚ ਸਕਦਾ ਹੈ ਜੋ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਟੈਕਸਟ ਨਾਲੋਂ ਆਲੋਚਨਾਤਮਕ ਤੌਰ 'ਤੇ ਮੁਲਾਂਕਣ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ ਜੋ ਉਹ ਵਾਪਸ ਸਕ੍ਰੌਲ ਕਰ ਸਕਦੇ ਹਨ।
ਅੱਗੇ ਕੀ ਆਉਂਦਾ ਹੈ
ਹੁਣ ਲਈ, ਜੀਪੀਟੀ-ਲਾਈਵ ਇੱਕ ਚੈਟਜੀਪੀਟੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ ਪਹਿਲਾਂ ਅਤੇ ਇੱਕ ਡਿਵੈਲਪਰ ਉਤਪਾਦ ਦੂਜਾ। ਅਸਲੀ ਟੈਸਟ API ਪਹੁੰਚ ਦੇ ਨਾਲ ਆਵੇਗਾ, ਜਦੋਂ ਤੀਜੀ-ਧਿਰ ਐਪਸ, ਗਾਹਕ-ਸੇਵਾ ਪਲੇਟਫਾਰਮ, ਅਤੇ ਹਾਰਡਵੇਅਰ ਨਿਰਮਾਤਾ ਆਪਣੇ ਉਤਪਾਦਾਂ ਵਿੱਚ ਫੁੱਲ-ਡੁਪਲੈਕਸ ਗੱਲਬਾਤ ਨੂੰ ਪਲੱਗ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਉਦੋਂ ਵੀ ਹੁੰਦਾ ਹੈ ਜਦੋਂ OpenAI ਨੂੰ ਸਸਤੇ ਓਪਨ-ਸੋਰਸ ਵੌਇਸ ਮਾਡਲਾਂ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਨਾਲ ਮੇਲ ਕਰਨ ਲਈ ਉਤਸੁਕ ਪ੍ਰਤੀਯੋਗੀਆਂ ਤੋਂ ਕੀਮਤ ਦੇ ਦਬਾਅ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਵੇਗਾ।
GPT-5.6 ਦੇ ਜਨਤਕ ਰੀਲੀਜ਼ ਦੇ ਨਾਲ ਇੱਕੋ ਸਮੇਂ ਦੀ ਸ਼ੁਰੂਆਤ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਓਪਨਏਆਈ ਆਵਾਜ਼ ਅਤੇ ਤਰਕ ਨੂੰ ਇੱਕੋ ਰਣਨੀਤੀ ਦੇ ਦੋ ਹਿੱਸਿਆਂ ਦੇ ਰੂਪ ਵਿੱਚ ਦੇਖਦਾ ਹੈ: ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲ ਜੋ ਸੋਚਦਾ ਹੈ, ਇੱਕ ਇੰਟਰਫੇਸ ਨਾਲ ਜੋੜਿਆ ਗਿਆ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਇੱਕ ਸਹਿਕਰਮੀ ਵਾਂਗ ਇਸ ਨਾਲ ਗੱਲ ਕਰਨ ਦਿੰਦਾ ਹੈ।
AI ਤੋਂ ਅੱਗੇ ਰਹੋ
ਮਾਡਲ ਰੀਲੀਜ਼ਾਂ, ਵੌਇਸ AI, ਅਤੇ ਉਦਯੋਗ ਨੂੰ ਰੂਪ ਦੇਣ ਵਾਲੀ ਹਰ ਚੀਜ਼ ਦੀ ਨਿਰੰਤਰ ਕਵਰੇਜ ਲਈ, AI Buzz Wire 'ਤੇ ਨਵੀਨਤਮ AI ਵਿਕਾਸ ਦੀ ਪਾਲਣਾ ਕਰੋ।
ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →
