Porozmawiamy z ChatGPT. Tak działa głosowy AI

GPT-Live na platformie ChatGPT jest dostępny po kliknięciu przycisku "Voice". Użytkownik może wówczas prowadzić rozmowę z modelem sztucznej inteligencji.

Odpowiedzi udzielane są przez AI głosowo, ale mogą też być uzupełniane treściami graficznymi (np. przy tematach takich jak pogoda, wyniki giełdowe, sport). OpenAI podkreśla, że konwersacje mają przypominać codzienne rozmowy.

Narzędzie nie obsługuje natomiast trybu głosowego z wideo ani udostępnianiem ekranu w ChatGPT. Firma zaznaczyła, że postara się jak najszybciej wprowadzić te możliwości.

– Jeśli potrzebujesz chwili na zastanowienie, ChatGPT Voice teraz poczeka i nie wejdzie Ci w słowo. Jeśli poprosisz go, żeby milczał i słuchał, zrobi to. A gdy w tle słychać hałasy, na przykład przejeżdżające samochody albo rozmowy obok, ChatGPT bardziej skupia się na Twoim głosie i mniej się rozprasza – opisano na blogu OpenAI.

W konwersacjach model używa naturalnych zwrotów, takich jak "mhmm" czy "rozumiem". Na potrzeby usługi udoskonalono pięć barw głosów, którymi posługuje się ChatGPT.

Użytkownik może zaś wybierać jeden z trzech poziomów rozumowania: szybki, średni i wysoki. W każdym z kolejnych model poświęca więcej czasu na przygotowywanie odpowiedzi.

Działanie GPT‑Live zostało zoptymalizowane dla grupy najpopularniejszych języków. – W przypadku niektórych języków model może cechować się obco brzmiącym akcentem lub problemami z płynnością wypowiedzi. Pracujemy też nad poprawą działania tych aspektów w innych językach – zapewnia OpenAI.

Koncern podkreśla, że GPT‑Live jest oparty na architekturze full-duplex: zamiast przetwarzać sekwencję osobnych wiadomości, GPT‑Live nieprzerwanie przetwarza dane wejściowe, generując dane wyjściowe.

– Model może więc wiele razy na sekundę podejmować decyzje dotyczące interakcji: czy mówić, dalej słuchać, zrobić pauzę, przerwać lub uruchomić narzędzie. Pozwala to modelowi prowadzić bardziej naturalną konwersację, lepiej wyczuwać czas wypowiedzi, a nawet wykonywać tłumaczenia na żywo – wylicza firma.

Wskazuje, że w ramach testów i ewaluacji GPT‑Live (w wersji podstawowej i mini) jest zdecydowanie preferowany względem zaawansowanego trybu głosowego w 5–10-minutowych rozmowach mierzących ogólne preferencje, zabieranie głosu na zmianę, przerywanie, płynność rozmowy i naturalność każdej interakcji.

OpenAI zaznacza, że w GPT‑Live zastosowano zabezpieczenia znane z innych najnowszych modeli firmy, a także szkolenie bezpieczeństwa w kluczowych obszarach ryzyka oraz nowe zabezpieczenia stworzone specjalnie dla funkcji głosowych.

GPT‑Live, w wersjach 1 i 1 mini, jest obecnie wdrażany w wersji przeglądarkowej Chata GPT oraz aplikacjach na Androida i iOS. GPT‑Live‑1 będzie dostępny w planach subskrypcyjnych Go, Plus i Pro, a GPT‑Live‑1 – w wariancie darmowym. Obie wersje staną się domyślnym modelem obsługującym ChatGPT Voice.

Żeby korzystać GPT‑Live na smartfonach, należy zaktualizować aplikację Chata GPT do najnowszej wersji.

Starsze wersje ChatGPT Voice, w tym standardowy i zaawansowany tryb głosowy, nadal są dostępne dla użytkowników.