OpenAI nasazuje nové hlasové modely pro přirozenější konverzace
OpenAI představila dvojici nových hlasových modelů GPT-Live-1 a GPT-Live-1 mini, které mají v ChatGPT působit přirozeněji a lépe zvládat střídání v rozhovoru. Firma zároveň mění výchozí hlasový režim v ChatGPT a tvrdí, že hlas se může stát hlavním rozhraním pro práci s počítačem.
Nové modely místo starého hlasového režimu
OpenAI uvedla nové konverzační modely GPT-Live-1 a GPT-Live-1 mini. Podle firmy mají znít přirozeněji než dosavadní řešení a lépe pracovat s tím, kdo právě mluví. Jde o full-duplex modely, takže dokážou současně poslouchat i mluvit, což má umožnit plynulejší přerušování i přirozenější průběh hovoru.
Společnost zároveň oznámila, že současný Advanced Voice Mode v ChatGPT nahradí jako výchozí právě GPT-Live-1 mini. Uživatelé placených tarifů se pak dostanou i k většímu modelu GPT-Live-1. Předchozí hlasový režim podle OpenAI skládal odpovědi ze tří částí: převodu řeči na text, generování odpovědi jazykovým modelem a následného převodu textu zpět na řeč.
Více inteligence i delší ticho
OpenAI tvrdí, že nová verze řeší dvě časté slabiny hlasových asistentů: sklon přerušovat uživatele uprostřed věty a nedostatečnou schopnost odpovídat na složitější dotazy. Nové modely mají umět předávat dotazy do nejnovějších textových modelů, například GPT-5.5, pro vyhledávání, uvažování nebo agentní úlohy, a přitom dál držet konverzaci.
Firma také ukázala, že asistent může delší dobu mlčet a sbírat kontext, dokud není znovu osloven. Díky napojení na novější modely umí některé informace zobrazit i vizuálně. OpenAI tím míří k tomu, aby hlas nebyl jen doplňkem, ale plnohodnotným způsobem ovládání složitější práce.
Ambice: hlas jako hlavní rozhraní
Podle OpenAI může být hlas časem hlavním rozhraním pro práci s počítačem, zejména u delších a náročnějších úkolů. Produktový šéf ChatGPT Voice Atty Eleti během brífinku řekl, že s hlasovou funkcí vedl i 30- až 40minutové rozhovory při procházkách. Firma ale zároveň nepředstavila žádný nový hardware, i když se v minulosti objevily spekulace o AI sluchátkách.
OpenAI uvedla, že hlasové funkce v ChatGPT používá více než 150 milionů lidí. Zároveň zdůraznila, že nový režim nemá být „AI společník“ a obsahuje ochranné mechanismy, například odpovědi přiměřené věku pro teenagery a odkazy na pomoc při tématech jako sebepoškozování.
Ještě není hotovo
Přestože OpenAI mluví o přirozenějším projevu, ukázka ukázala, že nová verze má stále rezervy. Při demonstraci živého překladu do hindštiny měl asistent silný americký přízvuk a jeho hindština zněla nepřirozeně a místy až příliš knižně. Firma uvedla jen to, že nový režim je optimalizovaný pro „most spoken languages“, ale neupřesnila které.
OpenAI se v tomto směru potkává s konkurencí. Apple i Amazon své asistenty také upravují tak, aby lépe drželi kontext a působili konverzačněji, a startupy jako Sesame stavějí na přirozenějších rozhovorech s asistenty, kteří zvládají část úkolů na pozadí.