Представяме GPT‑Live

Пускаме GPT‑Live — ново поколение гласови модели, които правят разговора с AI много по-близък до истински разговор.

GPT‑Live е изграден върху архитектура с пълен дуплекс, което означава, че може да слуша и говори едновременно. По време на разговори GPT‑Live може да показва, че внимава, с фрази като „мхм“ или „да“, да участва в бърза размяна на реплики или просто да мълчи, когато ви трябва момент да помислите. Резултатът е гласово изживяване, с което се разговаря изненадващо лесно.

GPT‑Live е и най-интелигентният ни гласов модел досега. За въпроси, които изискват търсене в уеб, по-задълбочено структурирано анализиране или по-сложна работа, той делегира зад кулисите към най-новия ни авангарден модел и връща резултата в разговора, когато е готов. Докато работи, GPT‑Live може да продължи да разговаря с вас и да запази хода на разговора. При пускането GPT‑Live ще използва GPT‑5.5 във фонов режим. С пускането на нови авангардни модели ще актуализираме непрекъснато модела, използван от GPT‑Live.

Тези подобрения захранват ново изживяване с ChatGPT Voice, което е по-интелигентно и по-естествено за използване. С времето вярваме, че това изследване ще отключи и възможността гласът да се използва за все по-сложна, по-продължителна и по-агентна работа.

Днес започваме да разпространяваме две версии на GPT‑Live – GPT‑Live‑1 и GPT‑Live‑1 mini – за потребителите на ChatGPT по целия свят. Планираме скоро да ги предоставим и в API, а разработчици и предприятия могат да се регистрират за известие чрез този формуляр⁠.

Нашата визия е да дадем възможност за наистина естествено взаимодействие между хора и AI: свят, в който сътрудничеството с AI се усеща толкова плавно и отзивчиво, колкото работата с друг човек, докато структурирането анализиране и изпълнението на сложни задачи се случват безпроблемно във фонов режим.

По-старите поколения гласови AI системи ни доближиха до тази визия, но с важни компромиси.

Каскадните гласови системи разчитат на поредица от модели, които действат един след друг, за да обработят всеки ход. Оригиналният ChatGPT Voice свързваше три модела: модел за преобразуване на реч в текст, който транскрибира речта ви, голям езиков модел, който създава отговор, и модел за преобразуване на текст в реч, който го превръща обратно в говор. Този подход ни позволи за първи път да разговаряме с авангардни AI модели, но сложността имаше цена: информация можеше да се губи между моделите, а отговорите бяха бавни и сковани.

Гласовите модели с редуване на ходове, като разширен гласов режим на ChatGPT, обработваха и генерираха аудио в рамките на един модел, намалявайки латентността и правейки разговорите по-плавни — но все още работеха чрез отделни ходове. Моделът трябваше да изчака потребителят да спре да говори, преди да отговори, което водеше до сковано редуване на реплики. Освен това, тъй като разпознаването на хода се основава на тишина, дори кратка пауза или фонов шум можеше да бъде сбъркан с край на хода — което караше модела да прекъсва в неестествени моменти.

GPT‑Live преодолява тези ограничения чрез две архитектурни промени.

Първо, изградихме GPT‑Live за непрекъснато взаимодействие, използвайки архитектура с пълен дуплекс. Вместо да обработва поредица от отделни съобщения, GPT‑Live непрекъснато обработва входа, докато генерира изход. Затова моделът може много пъти в секунда да взема решения за взаимодействието: дали да говори, да продължи да слуша, да направи пауза, да прекъсне или да извика инструмент.

Това позволява на модела да участва в по-естествена размяна на реплики, да поддържа по-добро усещане за време и дори да извършва превод на живо.

Второ, отделихме GPT‑Live — който управлява непрекъснатото взаимодействие — от по-задълбочената работа. Когато даден въпрос изисква търсене, структурирано анализиране или по-агентни възможности, GPT‑Live може да делегира задачата на друг модел, като GPT‑5.5. Това му позволява да поддържа разговора, дори докато изпълнява няколко задачи във фонов режим.

Тази архитектурна промяна също позволява на GPT‑Live непрекъснато да използва най-новите модели и агенти, комбинирайки авангарден интелект с естествено взаимодействие.

Създадохме нови оценки от хора, за да измерим приятността и хода на разговора. В тези директни сравнения GPT‑Live‑1 и GPT‑Live‑1 mini са силно предпочитани пред разширен гласов режим в съпоставими разговори от 5–10 минути, които измерват общото предпочитание, редуването, прекъсванията, хода на разговора и колко естествено се усеща всяко взаимодействие.

• GPQA: GPT‑Live‑1 значително превъзхожда разширен гласов режим в GPQA, който тества научно структурирано анализиране на експертно ниво в биология, химия и физика.
• BrowseComp: GPT‑Live‑1 показва силни подобрения спрямо разширен гласов режим в BrowseComp, който тества агентно уеб търсене и способността да се намира трудна за откриване информация.
• τ³-Voice Telecom**: GPT‑Live‑1 превъзхожда разширен гласов режим в τ³-Voice Telecom, който тества гласови агенти върху реалистични, многоходови задачи за телекомуникационна поддръжка.

Всяка седмица над 150 милиона души разговарят с ChatGPT чрез функции като Voice и Dictation. Използват го, за да получават ежедневна помощ без ръце, да упражняват езици, да разказват приказки за лека нощ или просто да си побъбрят по пътя.

От днес, когато докоснете бутона Voice, за да говорите с ChatGPT, ще получите подобрено изживяване, захранвано от GPT‑Live — с по-естествени разговори, по-интелигентни отговори, по-добро слушане и визуални отговори.

Разговорът с ChatGPT вече трябва да се усеща много повече като истински разговор. Можете да прекъснете с въпрос, да направите пауза, за да съберете мислите си, или да помолите ChatGPT да говори по-бавно. Той естествено показва, че чува какво казвате, с фрази като „мхм“ или „разбрах“, така че знаете, че ви следи. Също така ремастерирахме деветте отличителни гласа в ChatGPT за GPT‑Live.

ChatGPT Voice вече може да използва най-новите ни авангардни модели, за да ви дава по-интелигентни отговори, когато ви трябват. Можете също да изберете нивото на структурирано анализиране според нуждите си: Instant за бързи отговори или Medium и High, когато искате ChatGPT да отдели повече време за мислене.

Ако ви трябва момент да помислите, ChatGPT Voice вече изчаква, вместо да се включва и да ви прекъсва. Ако го помолите да мълчи и да слуша, ще го направи. А когато има фонов шум, например преминаващ трафик или разговори наблизо, ChatGPT по-добре се фокусира върху гласа ви, вместо да се разсейва.

Някои отговори са по-полезни, когато можете да ги видите. Докато говорите, ChatGPT вече може да показва богати визуални карти за теми като време, акции, спорт и други. Voice също продължава да поддържа търсене, памет, изображения и качване на файлове.

Резултатът е изживяване с ChatGPT Voice, което се усеща по-естествено, по-способно и по-полезно в ежедневието.

GPT‑Live е проектиран да бъде безопасен по подразбиране. Той надгражда напредъка в безопасността от най-новите ни модели, като добавя специализирано обучение за безопасност в ключови рискови области и нови предпазни мерки, създадени специално за глас.

За да отразим по-добре как хората използват глас в реални ситуации, започнахме с разширяване на тестовете ни за безопасност, така че да включват нови оценки, създадени за аудио. Създадохме и синтетични оценки, които използват генерирано аудио, за да се фокусират по-интензивно върху ключови области на безопасността, като стъпват на наученото от разширен гласов режим. Тези области включват самонараняване, психоза и мания, емоционална зависимост от AI, насилие и сексуално съдържание. Вътрешни експерти също проведоха red-team тестове на модела за рискове, характерни само за гласа.

В нашите тестове GPT‑Live се представи сравнимо или по-добре от разширен гласов режим в почти всички области, които оценявахме. Можете да прочетете повече за нашите тестове и предпазни мерки в картата на системата⁠(отваря се в нов прозорец) за GPT‑Live.

Тъй като гласовите разговори протичат в реално време, изградихме и предпазни мерки, които могат да действат, докато моделът говори. Когато системата открие потенциално опасен изход, тя може да насочи модела към по-безопасен отговор, да покаже допълнителни съобщения или ресурси за безопасност, или да прекрати гласовия разговор при случаи с по-висок риск. За разговори, свързани със самонараняване, адаптирахме потоците за подкрепа на ChatGPT за глас, включително предлагане на кризисна подкрепа по линии за помощ, проверена от експерти.

Създадохме допълнителни защити в подкрепа на тийнейджърите и обучихме поведение, подходящо за възрастта, директно в модела, за да намалим риска от неподходящи отговори. Родителите могат чрез родителски контрол да избират дали техният тийнейджър да използва ChatGPT Voice, а свързаните родители може да бъдат уведомявани в ситуации с по-висок риск, включващи признаци на потенциално самонараняване или суицидни намерения.

Също така въвеждаме по-дългосрочно измерване и наблюдение след пускането, фокусирани върху емоционалната зависимост, за да продължим да подобряваме разбирането си и да усъвършенстваме предпазните мерки. Като надграждаме предишното си изследване на емоционалната употреба и емоционалното благополучие, това ще ни помогне да откриваме нововъзникващи модели и да подобрим начина, по който системата реагира в емоционално чувствителни взаимодействия.

И накрая, GPT‑Live е създаден за разговор, а не за имитиране на гласове. Той използва набор от предварително зададени гласове в ChatGPT, с предпазни мерки, които му пречат да имитира гласа на реален човек.

Ангажирани сме да подкрепяме безопасността и благополучието и ще продължим да укрепваме тези защити, докато се учим от реалната употреба.

GPT‑Live вече се разпространява за потребителите на ChatGPT по целия свят в iOS, Android и ChatGPT.com⁠(отваря се в нов прозорец). GPT‑Live‑1 ще стане моделът по подразбиране, който захранва ChatGPT Voice за потребителите на Go, Plus и Pro, а GPT‑Live‑1 mini ще стане моделът по подразбиране за потребителите на Free. Повече подробности за наличността можете да намерите в нашия Помощен център⁠(отваря се в нов прозорец).

Оптимизирахме GPT‑Live за някои от най-популярните езици в ChatGPT. За някои езици моделът може да има чужд акцент или пропуски в плавността. Работим активно, за да подобрим изживяването на различни езици.

При пускането GPT‑Live няма да поддържа глас с видео или споделяне на екрана в ChatGPT, но работим скоро да въведем тези възможности. Все още можете да използвате наследени версии на ChatGPT Voice, включително Standard и разширен гласов режим, където тези функции са налични.