GPT‑Live পরিচিতি

আমরা GPT‑Live চালু করছি, ভয়েস মডেলের এক নতুন প্রজন্ম, যা AI-এর সঙ্গে কথা বলাকে সত্যিকারের কথোপকথনের মতো অনেক বেশি স্বাভাবিক করে তোলে.

GPT‑Live ফুল-ডুপ্লেক্স আর্কিটেকচারের ওপর তৈরি, অর্থাৎ এটি একই সময়ে শুনতে ও কথা বলতে পারে. কথোপকথনের সময় GPT‑Live “হুম” বা “হ্যাঁ”-এর মতো বাক্যাংশ দিয়ে মনোযোগ দিচ্ছে তা বোঝাতে পারে, দ্রুত পাল্টাপাল্টি কথোপকথনে অংশ নিতে পারে, অথবা আপনার ভাবার জন্য সময় দরকার হলে চুপ থাকতেও পারে. ফলে এমন এক ভয়েস অভিজ্ঞতা তৈরি হয়, যার সঙ্গে কথা বলা আশ্চর্যজনকভাবে সহজ.

GPT‑Live এখন পর্যন্ত আমাদের সবচেয়ে স্মার্ট ভয়েস মডেলও. যেসব প্রশ্নে ওয়েব সার্চ, গভীরতর যুক্তি বা আরও জটিল কাজ দরকার, সেগুলোর জন্য এটি পটভূমিতে আমাদের সর্বশেষ অত্যাধুনিক মডেলের কাছে কাজ পাঠায় এবং ফল প্রস্তুত হলে কথোপকথনে ফিরিয়ে আনে. কাজ করার সময়ও GPT‑Live আপনার সঙ্গে কথা চালিয়ে যেতে পারে এবং কথোপকথনের প্রবাহ বজায় রাখতে পারে. লঞ্চের সময় GPT‑Live পটভূমিতে GPT‑5.5 ব্যবহার করবে. আমরা নতুন অত্যাধুনিক মডেল প্রকাশ করার সঙ্গে সঙ্গে GPT‑Live যে মডেল ব্যবহার করে তা ধারাবাহিকভাবে আপডেট করব.

এই অগ্রগতিগুলো এক নতুন ChatGPT ভয়েস অভিজ্ঞতাকে চালিত করে, যা ব্যবহারে আরও বুদ্ধিদীপ্ত ও স্বাভাবিক. সময়ের সঙ্গে, আমরা বিশ্বাস করি এই গবেষণা ক্রমেই আরও জটিল, দীর্ঘমেয়াদি এবং বেশি এজেন্টিক কাজের জন্য ভয়েস ব্যবহারের সক্ষমতাও উন্মুক্ত করবে.

আজ থেকে আমরা বিশ্বজুড়ে ChatGPT ব্যবহারকারীদের জন্য GPT‑Live‑এর দুটি সংস্করণ – GPT‑Live‑1 এবং GPT‑Live‑1 mini – চালু করা শুরু করছি. আমরা শিগগিরই এগুলো API-তেও আনতে চাই, এবং ডেভেলপার ও এন্টারপ্রাইজগুলো এই ফর্ম⁠ ব্যবহার করে বিজ্ঞপ্তি পেতে সাইন আপ করতে পারেন.

আমাদের লক্ষ্য হলো সত্যিকারের স্বাভাবিক মানুষ–AI ইন্টারঅ্যাকশন সম্ভব করা: এমন এক বিশ্ব, যেখানে AI-এর সঙ্গে সহযোগিতা আরেকজন মানুষের সঙ্গে কাজ করার মতোই সাবলীল ও সাড়া-দেওয়া মনে হয়, আর যুক্তি ও জটিল কাজ সম্পাদন পটভূমিতে নির্বিঘ্নে ঘটে.

পুরোনো প্রজন্মের ভয়েস AI সিস্টেমগুলো আমাদের সেই লক্ষ্যের কাছাকাছি এনেছিল, তবে কিছু গুরুত্বপূর্ণ আপসসহ.

ক্যাসকেডেড ভয়েস সিস্টেম প্রতিটি পালা প্রক্রিয়াকরণের জন্য একের পর এক কাজ করা একাধিক মডেলের ওপর নির্ভর করে. মূল ChatGPT ভয়েস তিনটি মডেলকে একসঙ্গে যুক্ত করেছিল: আপনার কথা লিপিবদ্ধ করার জন্য একটি স্পিচ-টু-টেক্সট মডেল, উত্তর তৈরি করার জন্য একটি বৃহৎ ভাষা মডেল, এবং সেটিকে আবার কথায় রূপান্তর করার জন্য একটি টেক্সট-টু-স্পিচ মডেল. এই পদ্ধতিতে আমরা প্রথমবার অত্যাধুনিক AI মডেলের সঙ্গে কথা বলতে পেরেছিলাম, কিন্তু জটিলতার মূল্য ছিল: মডেলগুলোর মধ্যে তথ্য হারিয়ে যেতে পারত, আর উত্তর ছিল ধীর ও কাঠখোট্টা.

ChatGPT অ্যাডভান্সড ভয়েস মোড-এর মতো পালাভিত্তিক ভয়েস মডেলগুলো একটি একক মডেলের মধ্যে অডিও প্রক্রিয়াকরণ ও তৈরি করত, ফলে বিলম্ব কমত এবং কথোপকথন মসৃণ হতো — কিন্তু এগুলো তবু আলাদা আলাদা পালার মাধ্যমেই চলত. সাড়া দেওয়ার আগে মডেলকে ব্যবহারকারীর কথা বলা শেষ হওয়া পর্যন্ত অপেক্ষা করতে হতো, ফলে কথোপকথন কঠোর পাল্টাপাল্টি রূপ নিত. এ ছাড়া, পালা শনাক্তকরণ যেহেতু নীরবতার ওপর ভিত্তি করে, তাই সামান্য বিরতি বা পটভূমির শব্দকেও পালার শেষ বলে ভুল করা যেতে পারত — যার ফলে মডেল অস্বাভাবিক সময়ে বাধা দিত.

GPT‑Live দুটি স্থাপত্যগত পরিবর্তনের মাধ্যমে এই সীমাবদ্ধতাগুলো দূর করে.

প্রথমত, আমরা ফুল-ডুপ্লেক্স আর্কিটেকচার ব্যবহার করে ধারাবাহিক ইন্টারঅ্যাকশনের জন্য GPT‑Live তৈরি করেছি. আলাদা বার্তার ক্রম প্রক্রিয়াকরণের বদলে, GPT‑Live আউটপুট তৈরি করার সময়ই ইনপুট ধারাবাহিকভাবে প্রক্রিয়া করে. তাই মডেল প্রতি সেকেন্ডে বহুবার ইন্টারঅ্যাকশন-সংক্রান্ত সিদ্ধান্ত নিতে পারে: কথা বলবে, শুনতে থাকবে, বিরতি দেবে, বাধা দেবে, নাকি কোনো টুল আহ্বান করবে.

এতে মডেল আরও স্বাভাবিক পাল্টাপাল্টি কথোপকথনে অংশ নিতে, সময় সম্পর্কে ভালো ধারণা রাখতে, এমনকি লাইভ অনুবাদও করতে পারে.

দ্বিতীয়ত, আমরা GPT‑Live‑কে — যা ধারাবাহিক ইন্টারঅ্যাকশন সামলায় — গভীরতর কাজ থেকে আলাদা করেছি. কোনো প্রশ্নে সার্চ, যুক্তি বা আরও এজেন্টিক সক্ষমতা দরকার হলে, GPT‑Live কাজটি GPT‑5.5‑এর মতো অন্য মডেলের কাছে অর্পণ করতে পারে. এতে পটভূমিতে একাধিক কাজ সামলালেও এটি কথোপকথন চালিয়ে যেতে পারে.

এই স্থাপত্যগত পরিবর্তন GPT‑Live‑কে সর্বশেষ মডেল ও এজেন্ট ধারাবাহিকভাবে ব্যবহার করতেও দেয়, যেখানে অত্যাধুনিক বুদ্ধিমত্তা স্বাভাবিক ইন্টারঅ্যাকশনের সঙ্গে মিলিত হয়.

আনন্দদায়কতা এবং কথোপকথনের প্রবাহ মাপতে আমরা নতুন মানব মূল্যায়ন তৈরি করেছি. এই মুখোমুখি তুলনাগুলোতে, সামগ্রিক পছন্দ, পালাক্রমে কথা বলা, বাধা, কথোপকথনের প্রবাহ এবং প্রতিটি ইন্টারঅ্যাকশন কতটা স্বাভাবিক লেগেছে তা মাপা মিলযুক্ত ৫–১০ মিনিটের কথোপকথনে GPT‑Live‑1 এবং GPT‑Live‑1 mini-কে অ্যাডভান্সড ভয়েস মোডের চেয়ে স্পষ্টভাবে বেশি পছন্দ করা হয়েছে.

• GPQA: জীববিদ্যা, রসায়ন ও পদার্থবিদ্যায় বিশেষজ্ঞ-স্তরের বৈজ্ঞানিক যুক্তি পরীক্ষা করে এমন GPQA-তে GPT‑Live‑1 অ্যাডভান্সড ভয়েস মোডকে উল্লেখযোগ্যভাবে ছাড়িয়ে যায়.
• BrowseComp: এজেন্টিক ওয়েব সার্চ এবং খুঁজে পাওয়া কঠিন তথ্য বের করার ক্ষমতা পরীক্ষা করে এমন BrowseComp-এ GPT‑Live‑1 অ্যাডভান্সড ভয়েস মোডের তুলনায় বড় উন্নতি দেখায়.
• τ³-Voice Telecom**: বাস্তবসম্মত, বহু-পালার টেলিকম সহায়তা টাস্কে ভয়েস এজেন্টগুলোকে পরীক্ষা করে এমন τ³-Voice Telecom-এ GPT‑Live‑1 অ্যাডভান্সড ভয়েস মোডকে ছাড়িয়ে যায়.

প্রতি সপ্তাহে ১৫ কোটিরও বেশি মানুষ ভয়েস ও ডিক্টেশনের মতো ফিচার ব্যবহার করে ChatGPT‑এর সঙ্গে কথা বলেন. তারা এটি ব্যবহার করেন হাতে-কলমে ছাড়া দৈনন্দিন সহায়তা পেতে, ভাষা অনুশীলন করতে, ঘুমপাড়ানি গল্প বলতে, অথবা যাতায়াতের সময় স্রেফ আড্ডা দিতে.

আজ থেকে, ChatGPT‑এর সঙ্গে কথা বলতে ভয়েস বোতামে ট্যাপ করলে আপনি GPT‑Live দ্বারা চালিত উন্নত অভিজ্ঞতা পাবেন, যেখানে আছে আরও স্বাভাবিক কথোপকথন, আরও স্মার্ট উত্তর, ভালোভাবে শোনা এবং ভিজ্যুয়াল জবাব.

ChatGPT‑এর সঙ্গে কথা বলা এখন সত্যিকারের কথোপকথনের মতো অনেক বেশি স্বাভাবিক মনে হবে. আপনি প্রশ্ন করে মাঝপথে থামাতে পারেন, ভাবনা গুছিয়ে নিতে বিরতি নিতে পারেন, অথবা ChatGPT‑কে ধীরে বলতে বলতে পারেন. এটি স্বাভাবিকভাবেই “হুম” বা “বুঝেছি”-এর মতো বাক্যাংশ দিয়ে আপনার কথা বোঝার ইঙ্গিত দেয়, যাতে আপনি বুঝতে পারেন এটি মনোযোগ দিয়ে শুনছে. GPT‑Live‑এর জন্য আমরা ChatGPT‑এর নয়টি স্বতন্ত্র ভয়েসও নতুনভাবে পরিমার্জন করেছি.

ChatGPT ভয়েস এখন আমাদের সর্বশেষ অত্যাধুনিক মডেলগুলো ব্যবহার করতে পারে, ফলে প্রয়োজনে আপনি আরও স্মার্ট উত্তর পান. আপনি আপনার প্রয়োজন অনুযায়ী যুক্তির স্তরও বেছে নিতে পারেন: দ্রুত উত্তরের জন্য Instant, আর ChatGPT‑কে বেশি সময় নিয়ে ভাবাতে চাইলে Medium ও High.

আপনি ভাবার জন্য একটু সময় নিলে ChatGPT ভয়েস এখন মাঝখানে ঢুকে পড়ার বদলে অপেক্ষা করে. আপনি যদি একে চুপ করে শুনতে বলেন, এটি তাই করবে. আর পাশ দিয়ে যাওয়া যানবাহন বা কাছাকাছি কথোপকথনের মতো পটভূমির শব্দ থাকলেও, ChatGPT বিভ্রান্ত না হয়ে আপনার কণ্ঠে মনোযোগ দিতে আরও ভালো পারে.

কিছু উত্তর চোখে দেখলে বেশি কাজে লাগে. আপনি কথা বলার সময় ChatGPT এখন আবহাওয়া, শেয়ারবাজার, খেলাধুলা ইত্যাদি বিষয়ে সমৃদ্ধ ভিজ্যুয়াল কার্ড দেখাতে পারে. ভয়েস সার্চ, মেমরি, ছবি এবং ফাইল আপলোড সমর্থন করাও চালিয়ে যাচ্ছে.

ফলে ChatGPT ভয়েস অভিজ্ঞতা দৈনন্দিন জীবনে আরও স্বাভাবিক, আরও সক্ষম এবং আরও উপযোগী মনে হয়.

GPT‑Live ডিফল্টভাবেই নিরাপদ হওয়ার জন্য নকশা করা হয়েছে. এটি আমাদের সর্বশেষ মডেলগুলোর নিরাপত্তা অগ্রগতির ওপর ভিত্তি করে তৈরি, পাশাপাশি মূল ঝুঁকির ক্ষেত্রগুলোতে নিবেদিত নিরাপত্তা প্রশিক্ষণ এবং বিশেষভাবে ভয়েসের জন্য তৈরি নতুন সুরক্ষা ব্যবস্থা যোগ করে.

মানুষ বাস্তব পরিস্থিতিতে কীভাবে ভয়েস ব্যবহার করে তা আরও ভালোভাবে প্রতিফলিত করতে, আমরা নতুন অডিও-নেটিভ মূল্যায়ন যুক্ত করে নিরাপত্তা পরীক্ষা বিস্তৃত করা শুরু করেছি. অ্যাডভান্সড ভয়েস মোড থেকে শেখা বিষয়গুলোর ভিত্তিতে আমরা তৈরি করা অডিও ব্যবহার করে এমন সিন্থেটিক মূল্যায়নও করেছি, যাতে মূল নিরাপত্তা ক্ষেত্রগুলোতে আরও গভীরভাবে মনোযোগ দেওয়া যায়. এই ক্ষেত্রগুলোর মধ্যে আছে আত্মক্ষতি, সাইকোসিস ও ম্যানিয়া, AI-এর ওপর আবেগগত নির্ভরতা, সহিংসতা এবং যৌন বিষয়বস্তু. অভ্যন্তরীণ বিশেষজ্ঞরাও ভয়েসের জন্য অনন্য ঝুঁকি নিয়ে মডেলটি রেড-টিম করেছেন.

আমাদের পরীক্ষায়, মূল্যায়ন করা প্রায় সব ক্ষেত্রেই GPT‑Live অ্যাডভান্সড ভয়েস মোডের সমতুল্য বা তার চেয়ে ভালো পারফর্ম করেছে. আমাদের পরীক্ষা ও সুরক্ষা ব্যবস্থা সম্পর্কে আরও পড়তে পারেন GPT‑Live সিস্টেম কার্ডে⁠(একটি নতুন উইন্ডোতে খোলে).

ভয়েস কথোপকথন যেহেতু রিয়েল টাইমে এগোয়, তাই মডেল কথা বলার সময়ই কাজ করতে পারে এমন সুরক্ষা ব্যবস্থাও আমরা তৈরি করেছি. সিস্টেম সম্ভাব্য অনিরাপদ আউটপুট শনাক্ত করলে, এটি মডেলকে নিরাপদতর উত্তরের দিকে পরিচালিত করতে পারে, অতিরিক্ত নিরাপত্তা বার্তা বা রিসোর্স দেখাতে পারে, অথবা বেশি ঝুঁকির ক্ষেত্রে ভয়েস কথোপকথন শেষ করতে পারে. আত্মক্ষতি-সংক্রান্ত কথোপকথনের জন্য, আমরা ChatGPT‑এর সহায়তা প্রবাহগুলো ভয়েসের উপযোগী করেছি, যার মধ্যে বিশেষজ্ঞ-পর্যালোচিত সংকটকালীন হেল্পলাইন সহায়তা দেওয়াও রয়েছে.

কিশোর-কিশোরী ব্যবহারকারীদের সহায়তার জন্য আমরা অতিরিক্ত সুরক্ষা নকশা করেছি, এবং অনুপযুক্ত উত্তরের ঝুঁকি কমাতে মডেলের মধ্যেই বয়স-উপযোগী আচরণ প্রশিক্ষণ দিয়েছি. অভিভাবকেরা প্যারেন্টাল কন্ট্রোলসের মাধ্যমে তাদের কিশোর সন্তান ChatGPT ভয়েস ব্যবহার করতে পারবে কি না বেছে নিতে পারেন, এবং সম্ভাব্য আত্মক্ষতি বা আত্মহত্যার ইচ্ছার লক্ষণ-সংক্রান্ত বেশি ঝুঁকির পরিস্থিতিতে সংযুক্ত অভিভাবকদের জানানো হতে পারে.

আবেগগত নির্ভরতা নিয়ে আমাদের বোঝাপড়া উন্নত করা এবং সুরক্ষা ব্যবস্থা পরিমার্জন অব্যাহত রাখতে আমরা দীর্ঘমেয়াদি পরিমাপ ও লঞ্চ-পরবর্তী পর্যবেক্ষণও চালু করছি. আবেগগত ব্যবহার ও মানসিক সুস্থতা নিয়ে আমাদের আগের গবেষণার ওপর ভিত্তি করে, এটি আমাদের উদীয়মান ধরন শনাক্ত করতে এবং আবেগগতভাবে সংবেদনশীল ইন্টারঅ্যাকশনে সিস্টেম কীভাবে সাড়া দেয় তা উন্নত করতে সাহায্য করবে.

সবশেষে, GPT‑Live কথোপকথনের জন্য নকশা করা হয়েছে, কণ্ঠস্বর অনুকরণের জন্য নয়. এটি ChatGPT‑তে নির্ধারিত কয়েকটি ভয়েস ব্যবহার করে, এবং বাস্তব কোনো ব্যক্তির কণ্ঠস্বর নকল করা ঠেকাতে সুরক্ষা ব্যবস্থা রয়েছে.

আমরা নিরাপত্তা ও সুস্থতা সমর্থনে প্রতিশ্রুতিবদ্ধ, এবং বাস্তব ব্যবহার থেকে শিখতে শিখতে এই সুরক্ষাগুলো আরও শক্তিশালী করতে থাকব.

GPT‑Live এখন iOS, Android এবং ChatGPT.com⁠(একটি নতুন উইন্ডোতে খোলে)-এ বিশ্বজুড়ে ChatGPT ব্যবহারকারীদের জন্য চালু হচ্ছে. GPT‑Live‑1 Go, Plus এবং Pro ব্যবহারকারীদের জন্য ChatGPT ভয়েস চালানোর ডিফল্ট মডেল হবে, আর GPT‑Live‑1 mini Free ব্যবহারকারীদের জন্য ডিফল্ট হবে. প্রাপ্যতা সম্পর্কে আরও বিস্তারিত আমাদের হেল্প সেন্টারে⁠(একটি নতুন উইন্ডোতে খোলে) পাওয়া যাবে.

ChatGPT‑এর সবচেয়ে জনপ্রিয় কয়েকটি ভাষার জন্য আমরা GPT‑Live অপ্টিমাইজ করেছি. কিছু ভাষায়, মডেলের উচ্চারণ স্থানীয়দের মতো নাও হতে পারে বা সাবলীলতায় ঘাটতি থাকতে পারে. ভাষাজুড়ে অভিজ্ঞতা উন্নত করতে আমরা সক্রিয়ভাবে কাজ করছি.

লঞ্চের সময় GPT‑Live ChatGPT‑তে ভিডিও বা স্ক্রিন শেয়ারিংসহ ভয়েস সমর্থন করবে না, তবে আমরা শিগগিরই এসব সক্ষমতা চালু করতে কাজ করছি. যেখানে এসব ফিচার উপলভ্য, সেখানে আপনি Standard এবং অ্যাডভান্সড ভয়েস মোডসহ ChatGPT ভয়েসের পুরোনো সংস্করণগুলো এখনও ব্যবহার করতে পারবেন.