Jest bardzo duża nowość w ChatGPT

OpenAI wprowadza GPT-Live, nową generację modeli głosowych dla ChatGPT. Najważniejsza zmiana polega na tym, że rozmowa z AI ma być mniej sztywna, szybsza i bardziej naturalna. Model potrafi słuchać i mówić jednocześnie, nie musi czekać na idealną ciszę, a przy trudniejszych pytaniach może w tle korzystać z mocniejszych modeli.
OpenAI ogłosiło GPT-Live, nowy model głosowy, który od teraz zaczyna zasilać tryb Voice w ChatGPT. Rozmowa z chatbotem ma bardziej przypominać normalną konwersację z drugą osobą niż klasyczną wymianę pytań i odpowiedzi.
Najważniejszą nowością jest architektura full-duplex. Oznacza to, że GPT-Live może jednocześnie słuchać i mówić. W praktyce ChatGPT ma lepiej reagować na naturalny rytm rozmowy: pozwalać użytkownikowi przerwać, poczekać, gdy ktoś się zastanawia, a także potwierdzać, że słucha, krótkimi reakcjami w stylu „mhmm” czy „got it”. To duża różnica względem wcześniejszych modeli głosowych, które działały bardziej turami i często czekały, aż użytkownik całkowicie przestanie mówić.

OpenAI tłumaczy, że wcześniejsze rozwiązania głosowe miały dwa podstawowe ograniczenia. Pierwszy tryb ChatGPT Voice korzystał z kilku oddzielnych modeli: rozpoznawania mowy, modelu tekstowego oraz syntezy głosu. To powodowało opóźnienia i mogło gubić część kontekstu. Późniejszy Advanced Voice Mode był już płynniejszy, ale nadal działał w dużej mierze w oparciu o oddzielne tury wypowiedzi. GPT-Live ma przetwarzać rozmowę w sposób ciągły i wiele razy na sekundę podejmować decyzję, czy mówić, słuchać, pauzować, przerwać albo uruchomić narzędzie.

Druga ważna zmiana dotyczy trudniejszych zadań. GPT-Live nie musi samodzielnie wykonywać całej pracy. Przy pytaniach wymagających wyszukiwania w internecie, głębszego rozumowania lub bardziej agentowych zadań może przekazać część obliczeń mocniejszemu modelowi działającemu w tle. Na starcie ma to być GPT-5.5. Dzięki temu rozmowa głosowa może nadal trwać, a wynik trudniejszego zadania wróci do użytkownika, gdy będzie gotowy.

OpenAI wprowadza dwie wersje nowego modelu: GPT-Live-1 oraz GPT-Live-1 mini. GPT-Live-1 ma stać się domyślnym modelem głosowym dla użytkowników planów Go, Plus i Pro, natomiast GPT-Live-1 mini będzie domyślnym modelem dla użytkowników bezpłatnych. Wdrożenie ma obejmować iOS, Androida oraz ChatGPT.com. OpenAI zapowiada także, że GPT-Live trafi później do API.

Nowy tryb Voice ma też lepiej działać w codziennych sytuacjach. ChatGPT ma mniej pochopnie przerywać użytkownikowi, lepiej ignorować hałas tła, np. ruch uliczny lub rozmowy w pobliżu, a także wyświetlać podczas rozmowy karty wizualne. OpenAI podaje przykłady pogody, notowań giełdowych czy wyników sportowych. Obsługiwane pozostają też wyszukiwanie, pamięć, obrazy i pliki.

Firma chwali się również wynikami testów. Według OpenAI GPT-Live-1 i GPT-Live-1 mini były wyraźnie preferowane przez użytkowników względem Advanced Voice Mode w porównawczych rozmowach trwających od 5 do 10 minut. Model miał też uzyskać lepsze wyniki w testach obejmujących rozumowanie naukowe, wyszukiwanie trudnych informacji oraz wieloetapową obsługę klienta w scenariuszach telekomunikacyjnych.

Osobny fragment zapowiedzi dotyczy bezpieczeństwa. OpenAI deklaruje, że GPT-Live przeszedł dodatkowe testy przygotowane specjalnie pod komunikację głosową, m.in. w obszarach samookaleczeń, psychozy i manii, przemocy, treści seksualnych oraz zbyt silnego emocjonalnego przywiązania do AI. Wbudowane zabezpieczenia mają działać również w czasie rzeczywistym, czyli w trakcie wypowiedzi modelu. System ma móc skorygować odpowiedź, pokazać komunikat bezpieczeństwa, przekierować użytkownika do wsparcia albo zakończyć rozmowę w sytuacjach podwyższonego ryzyka.

Na starcie GPT-Live nie będzie jeszcze obsługiwał rozmów głosowych połączonych z wideo lub udostępnianiem ekranu w ChatGPT. OpenAI zapowiada, że pracuje nad dodaniem tych funkcji. Firma zastrzega też, że model został zoptymalizowany dla najpopularniejszych języków w ChatGPT, więc w części języków mogą pojawiać się nienatywny akcent albo różnice w płynności.