OpenAI uruchomiło GPT-Live, nową serię modeli głosowych dla ChatGPT, które umożliwiają jednoczesne słuchanie i mówienie, co stanowi najbardziej znaczącą zmianę w dotychczasowej historii firmy w zakresie konwersacji głosowych. W nowej wersji zastosowano architekturę pełnego dupleksu, którą OpenAI opisuje jako pełnodupleksową, umożliwiającą użytkownikom przerywanie, rozmowę i rozmowę z asystentem w sposób, który według firmy przypomina prawdziwą rozmowę telefoniczną.
Premiera nastąpi w tym tygodniu wraz z szerszym wprowadzeniem przez OpenAI rodziny modeli GPT-5.6 i stanowi impuls do tego, aby najnowsze wiadomości o sztucznej inteligencji dotyczące interfejsów głosowych przypominały mniej sterowanie maszyną, a bardziej rozmowę z osobą.
Co wyróżnia GPT-Live
Tradycyjni asystenci głosowi działają w trybie półdupleksowym: mówisz, przestajesz, a system przetwarza Twoje żądanie i odpowiada. Wykonywanie skrętów jest sztywne. GPT-Live przełamuje ten schemat dzięki pełnemu dupleksowi przetwarzaniu dźwięku, co oznacza, że model słyszy Cię, gdy jeszcze mówi. Umożliwia to naturalne przerywanie, poprawianie w połowie zdań i nakładanie się konwersacji — rodzaj rozmów w tę i z powrotem, które ludzie uważają za oczywiste, ale sztuczna inteligencja głosowa od dawna borykała się z tym problemem.
Według Reuters modele GPT-Live słuchają i mówią jednocześnie – jest to funkcja, która od dawna była celem w dziedzinie sztucznej inteligencji głosowej. Takie podejście eliminuje niezręczne przerwy i wymuszone wykonywanie zwrotów, które definiowały wcześniejsze wersje trybu głosowego ChatGPT.
Godny uwagi szczegół techniczny: gdy GPT-Live napotyka złożone pytania, przekazuje je GPT-5.5 działającemu w tle. Model głosowy obsługuje przebieg konwersacji w czasie rzeczywistym, podczas gdy większy model rozumowania pracuje nad trudniejszymi zadaniami za kulisami, a następnie przekazuje odpowiedź. Według OpenAI taki podział pracy drastycznie poprawia jakość odpowiedzi, nie rezygnując przy tym z szybkości reakcji, która sprawia, że rozmowa w czasie rzeczywistym wydaje się naturalna.
Dostępność i ceny
OpenAI wprowadza nowe modele głosu na dwóch poziomach:
- GPT-Live-1 — pełny model, dostępny już dla płacących abonentów ChatGPT (plany Plus, Pro i Team).
- GPT-Live-1 mini — mniejsza, lżejsza wersja dostępna dla bezpłatnych kont ChatGPT.
Dzięki tej premierze wyszukiwarka internetowa będzie bezpośrednio dostępna w rozmowie głosowej. Jak donosi Search Engine Journal, GPT-Live integruje wyszukiwanie na żywo z głosem ChatGPT, dzięki czemu użytkownicy mogą zadawać pytania o bieżące wydarzenia lub szybko zmieniające się informacje i uzyskiwać odpowiedzi oparte na świeżych wynikach wyszukiwania w Internecie, bez konieczności przełączania trybów.
Konkurencyjny rynek sztucznej inteligencji głosowej
GPT-Live trafia do coraz bardziej zatłoczonego krajobrazu sztucznej inteligencji głosowej. Google wprowadza funkcje głosowe oparte na technologii Gemini w systemie Android i w swoim produkcie Gemini Live, podczas gdy Apple kontynuuje prace nad Siri pod kątem dużych modeli językowych. Anthropic, główny rywal OpenAI, skupił swoje ostatnie wysiłki na kodowaniu agentycznym i modelach rozumowania, a nie na głosie.
Podejście oparte na pełnym dupleksie wydaje się być kierunkiem, w którym zmierza szerzej rozumiana branża. Umożliwiając jednoczesne słuchanie i mówienie, GPT-Live zmniejsza opóźnienia i eliminuje największą skargę, jaką użytkownicy mieli do asystentów głosowych: oczekiwanie. Przejście na GPT-5.5 w przypadku złożonych zapytań jest także sygnałem, że OpenAI postrzega głos nie jako uproszczony interfejs, ale jako drzwi wejściowe do swoich najbardziej wydajnych modeli.
Dlaczego to ma znaczenie
Głos przez lata był traktowany jako dodatkowy interfejs sterowany poleceniami – dobry do ustawiania timerów i sprawdzania pogody, mniej przydatny do szczegółowych rozmów. GPT-Live zakłada, że wąskim gardłem nigdy nie była inteligencja modela, ale interfejs: zmuszający ludzi do mówienia w pojedynczych seriach.
Jeśli konwersacja w trybie pełnego dupleksu działa niezawodnie na dużą skalę, zmienia to sposób, w jaki ludzie wchodzą w interakcję ze sztuczną inteligencją w telefonach, samochodach, inteligentnych głośnikach i ostatecznie na urządzeniach do noszenia. Budzi to również znane obawy — dotyczące zgody w urządzeniach, które zawsze podsłuchują, realizmu syntetycznych głosów oraz tego, czy bardziej naturalna rozmowa prowadzi użytkowników do nadmiernego zaufania do odpowiedzi sztucznej inteligencji.
OpenAI nie określiło szczegółowo konkretnych środków bezpieczeństwa dla GPT-Live wykraczających poza istniejące zasady dotyczące treści, chociaż integracja wyszukiwania oznacza, że model może teraz przekazywać bieżące informacje w głos, który może być trudniejszy do krytycznej oceny przez użytkowników niż tekst, który można przewijać.
Co będzie dalej
Na razie GPT-Live jest przede wszystkim funkcją ChatGPT, a dopiero później produktem dla programistów. Prawdziwy test nadejdzie wraz z dostępem do interfejsu API, gdy aplikacje innych firm, platformy obsługi klienta i producenci sprzętu będą mogli podłączyć konwersację w trybie pełnego dupleksu do swoich własnych produktów. Wtedy też OpenAI stanie w obliczu presji cenowej ze strony tańszych modeli głosu typu open source oraz konkurencji chcącej dopasować tę funkcję.
Jednoczesne uruchomienie z publicznym wydaniem GPT-5.6 sugeruje, że OpenAI postrzega głos i rozumowanie jako dwie połowy tej samej strategii: potężny model, który myśli, w połączeniu z interfejsem, który pozwala rozmawiać z nim jak z kolegą.
Wyprzedź sztuczną inteligencję
Aby na bieżąco relacjonować premiery modeli, sztuczną inteligencję głosową i wszystko, co kształtuje branżę, śledź najnowsze osiągnięcia w zakresie sztucznej inteligencji na AI Buzz Wire.
Przeczytaj więcej aktualności o sztucznej inteligencji →
