OpenAI نے GPT-Live لانچ کیا ہے، ChatGPT کے لیے آواز کے ماڈلز کی ایک نئی سیریز جو ایک ہی وقت میں سن اور بول سکتی ہے، جو کہ کمپنی کے اب تک کے بات چیت کے صوتی تجربے کی سب سے اہم تبدیلی کو نشان زد کرتی ہے۔ ریلیز میں اوپن اے آئی کو مکمل ڈوپلیکس آرکیٹیکچر کے طور پر بیان کیا گیا ہے، جس سے صارفین کو اسسٹنٹ کے ساتھ اس طرح مداخلت کرنے، بات کرنے اور بات کرنے کی اجازت ملتی ہے جس طرح کمپنی کہتی ہے کہ یہ ایک حقیقی فون کال کی طرح محسوس ہوتا ہے۔

لانچ اس ہفتے OpenAI کے GPT-5.6 ماڈل فیملی کے وسیع تر رول آؤٹ کے ساتھ آیا ہے، اور آواز کے انٹرفیس کے بارے میں بریکنگ AI نیوز بنانے کے لیے ایک دباؤ کی نمائندگی کرتا ہے جیسا کہ مشین کو کم کرنے اور کسی شخص کے ساتھ چیٹنگ کرنے جیسا محسوس ہوتا ہے۔

کیا GPT-Live کو مختلف بناتا ہے۔

روایتی آواز کے معاون آدھے ڈوپلیکس موڈ میں کام کرتے ہیں: آپ بولتے ہیں، پھر آپ رک جاتے ہیں، پھر سسٹم آپ کی درخواست پر کارروائی کرتا ہے اور جواب دیتا ہے۔ ٹرن ٹیکنگ سخت ہے۔ GPT-Live اس پیٹرن کو فل ڈوپلیکس آڈیو پروسیسنگ کے ساتھ توڑتا ہے، یعنی ماڈل آپ کو سن سکتا ہے جب وہ بات کر رہا ہو۔ یہ فطری رکاوٹوں، وسط جملے کی تصحیح، اور اوور لیپنگ گفتگو کو قابل بناتا ہے - جس طرح کے آگے پیچھے انسانوں کو قدر کی نگاہ سے دیکھا جاتا ہے لیکن آواز AIs نے تاریخی طور پر جدوجہد کی ہے۔

رائٹرز کے مطابق، GPT-Live ماڈلز ایک ساتھ سنتے اور بولتے ہیں - ایک ایسی صلاحیت جو طویل عرصے سے وائس AI فیلڈ کے لیے ایک ہدف رہی ہے۔ یہ نقطہ نظر عجیب و غریب وقفوں اور زبردستی ٹرن لینے کو ہٹاتا ہے جس نے ChatGPT کے وائس موڈ کے پہلے ورژن کی وضاحت کی ہے۔

ایک قابل ذکر تکنیکی تفصیل: جب GPT-Live پیچیدہ سوالات کا سامنا کرتا ہے، تو یہ پس منظر میں GPT-5.5 کو دے دیتا ہے۔ صوتی ماڈل حقیقی وقت میں گفتگو کے بہاؤ کو ہینڈل کرتا ہے، جبکہ ایک بڑا استدلال ماڈل پردے کے پیچھے مشکل کاموں پر کام کرتا ہے - پھر جواب کو فیڈ کرتا ہے۔ OpenAI کے مطابق محنت کی وہ تقسیم، ردعمل کی قربانی کے بغیر ردعمل کے معیار کو بہت بہتر بناتی ہے جس سے حقیقی وقت کی گفتگو قدرتی محسوس ہوتی ہے۔

دستیابی اور قیمت

OpenAI نئے صوتی ماڈلز کو دو درجوں میں پیش کر رہا ہے:

  • GPT-Live-1 — مکمل ماڈل، اب ChatGPT سبسکرائبرز (پلس، پرو، اور ٹیم پلانز) کی ادائیگی کے لیے دستیاب ہے۔
  • GPT-Live-1 mini — ایک چھوٹا، ہلکا ورژن مفت ChatGPT اکاؤنٹس کے لیے دستیاب ہے۔

OpenAI نے کہا کہ API رسائی جلد آرہی ہے، جو ڈویلپرز کو اپنی ایپلی کیشنز میں مکمل ڈوپلیکس آواز بنانے کی اجازت دے گی۔ کمپنی نے ابھی تک API کی تفصیلی قیمت شائع نہیں کی ہے۔

لانچ ویب تلاش کو براہ راست صوتی گفتگو میں بھی لاتا ہے۔ جیسا کہ Search Engine Journal نے رپورٹ کیا، GPT-Live لائیو تلاش کو ChatGPT آواز میں ضم کرتا ہے، تاکہ صارفین موجودہ واقعات یا تیزی سے بدلتی ہوئی معلومات کے بارے میں پوچھ سکیں اور موڈ تبدیل کیے بغیر تازہ ویب کے نتائج پر مبنی جوابات حاصل کر سکیں۔

ایک مسابقتی آواز AI مارکیٹ

GPT-Live تیزی سے ہجوم والی آواز AI لینڈ سکیپ میں اترتا ہے۔ گوگل اینڈرائیڈ اور اس کے جیمنی لائیو پروڈکٹ میں اپنی جیمنی سے چلنے والی آواز کی خصوصیات کو آگے بڑھا رہا ہے، جبکہ ایپل بڑی زبان کے ماڈلز کے ارد گرد سری کو دوبارہ کام کرنا جاری رکھے ہوئے ہے۔ اوپن اے آئی کے اہم حریف، اینتھروپک نے اپنی حالیہ کوششوں کو آواز کے بجائے ایجنٹی کوڈنگ اور استدلال کے ماڈلز پر مرکوز کیا ہے۔

مکمل ڈوپلیکس نقطہ نظر وہ جگہ ہے جہاں وسیع تر صنعت آگے بڑھ رہی ہے۔ بیک وقت سننے اور بولنے کی اجازت دے کر، GPT-Live تاخیر کو کم کرتا ہے اور صوتی معاونین کے ساتھ صارفین کی سب سے بڑی شکایت کو دور کرتا ہے: انتظار۔ پیچیدہ سوالات کے لیے GPT-5.5 کا ہینڈ آف بھی ایک اشارہ ہے کہ OpenAI آواز کو ایک سٹرپڈ-ڈاؤن انٹرفیس کے طور پر نہیں، بلکہ اپنے انتہائی قابل ماڈلز کے سامنے والے دروازے کے طور پر دیکھتا ہے۔

یہ کیوں اہمیت رکھتا ہے۔

آواز کو برسوں سے ایک ثانوی، کمانڈ سے چلنے والے انٹرفیس کے طور پر سمجھا جاتا رہا ہے — ٹائمر سیٹ کرنے اور موسم کی جانچ کرنے کے لیے اچھا، باریک بینی گفتگو کے لیے کم مفید ہے۔ GPT-Live کی شرط یہ ہے کہ رکاوٹ کبھی بھی ماڈل کی ذہانت نہیں تھی، بلکہ انٹرفیس: انسانوں کو الگ تھلگ برسٹ میں بولنے پر مجبور کرنا۔

اگر مکمل ڈوپلیکس بات چیت پیمانے پر قابل اعتماد طریقے سے کام کرتی ہے، تو یہ تبدیل کرتا ہے کہ لوگ فونز، کاروں، سمارٹ اسپیکرز اور آخرکار پہننے کے قابل آلات پر AI کے ساتھ کیسے تعامل کرتے ہیں۔ اس سے واقف خدشات بھی پیدا ہوتے ہیں - ہمیشہ سننے والے آلات میں رضامندی کے بارے میں، مصنوعی آوازوں کی حقیقت پسندی کے بارے میں، اور اس بارے میں کہ آیا زیادہ قدرتی گفتگو صارفین کو AI کے جوابات پر زیادہ اعتماد کرنے کا باعث بنتی ہے۔

OpenAI نے GPT-Live کے لیے اپنی موجودہ مواد کی پالیسیوں سے آگے تفصیلی حفاظتی اقدامات نہیں کیے ہیں، حالانکہ تلاش کے انضمام کا مطلب ہے کہ ماڈل اب لائیو معلومات کو آواز میں کھینچ سکتا ہے جو صارفین کے لیے متن کے مقابلے میں تنقیدی انداز میں جانچنا مشکل ہو سکتا ہے جس کے ذریعے وہ واپس سکرول کر سکتے ہیں۔

آگے کیا آتا ہے۔

ابھی کے لیے، GPT-Live ایک ChatGPT خصوصیت ہے پہلے اور ایک ڈویلپر پروڈکٹ دوسرے۔ اصل امتحان API تک رسائی کے ساتھ آئے گا، جب تھرڈ پارٹی ایپس، کسٹمر سروس پلیٹ فارمز، اور ہارڈویئر بنانے والے مکمل ڈوپلیکس گفتگو کو اپنی مصنوعات میں پلگ کر سکتے ہیں۔ یہی وہ وقت ہے جب OpenAI کو سستے اوپن سورس صوتی ماڈلز اور فیچر سے مماثل حریفوں کی جانب سے قیمتوں کے دباؤ کا سامنا کرنا پڑے گا۔

GPT-5.6 کی عوامی ریلیز کے ساتھ بیک وقت آغاز سے پتہ چلتا ہے کہ OpenAI آواز اور استدلال کو ایک ہی حکمت عملی کے دو حصوں کے طور پر دیکھتا ہے: ایک طاقتور ماڈل جو سوچتا ہے، ایک انٹرفیس کے ساتھ جوڑا جو آپ کو ایک ساتھی کی طرح اس سے بات کرنے دیتا ہے۔

AI سے آگے رہیں

ماڈل ریلیزز، وائس AI، اور انڈسٹری کو تشکیل دینے والی ہر چیز کی مسلسل کوریج کے لیے، AI Buzz Wire پر AI کی تازہ ترین پیشرفت کی پیروی کریں۔

مزید AI خبریں پڑھیں →