Predstavljamo GPT‑Live‑1 u API-ju
GPT‑Live‑1 donosi prirodne, potpuno dvosmjerne razgovore iz ChatGPT‑a u API — sada uz bolje praćenje i delegiranje uputa, prilagodljivost ličnosti, telefoniju, pouzdanost dugih sesija i tiho upravljanje kontekstom.
Danas uvodimo GPT‑Live‑1 u API, pružajući programerima moćan glasovni model koji mogu kombinovati s graničnom inteligencijom u vlastitim aplikacijama. GPT‑Live‑1,prvi put predstavljen u ChatGPT‑u, može istovremeno slušati i govoriti te, kao što jeprikazano uz Codex i ChatGPT Work(otvara se u novom prozoru), delegirati dublje rezonovanje i radnje modelima i alatima s kojima je uparen.
Za objavu GPT‑Livea u API-ju usredotočili smo se na nove mogućnosti koje programerima omogućavaju da glasovna iskustva prilagode svojim korisnicima, radnim procesima i ciljevima. Naprimjer, u ranim procjenama aplikacija za učenje jezika Speak utvrdila je da je GPT‑Live‑1 smanjio prekide tokom pauza u kojima polaznici razmišljaju za gotovo 80% u odnosu na prethodne sisteme zasnovane na smjenjivanju govornika, dajući im više vremena da pronađu prave riječi prije nego što se mentor uključi.
Izdanje za API donosi:
Upravljanje prekidima:Jedan model istovremeno rezonuje o dolaznom i odlaznom zvuku, izbjegavajući kašnjenje i nepouzdane prijelaze ulančanih STT–LLM–TTS arhitektura.
Orkestracija agenata:Pouzdanije slijedi upute u više koraka, izvršava prilagođene pozive alata te delegira dublje rezonovanje ili radnje pozadinskom modelu ili harnessu agenta koji programer odabere.
Prilagođeni glasovi:Dodaje [XX — broj treba utvrditi] novih prilagođenih glasova na [YY — jezike treba utvrditi] jezika, pomažući brendovima da kreiraju prirodna i prepoznatljiva glasovna iskustva na različitim jezicima i dijalektima.
Prilagodljivost ličnosti:Omogućava programerima da putem sistemskog upita oblikuju ton, tempo i stil razgovora agenta.
Tiho upravljanje kontekstom i pozadinska buka:Bolje obrađuje pozadinsku buku i tišinu bez prekidanja razgovora ili glasnog opisivanja svakog koraka.
Fleksibilna inteligencija:Omogućava programerima da odaberu bilo koji pozadinski model ili harness agenta koji odgovara njihovom radnom procesu.
Pouzdanost tokom dugih sesija:Poboljšava zadržavanje konteksta i kvalitet razgovora tokom dužih interakcija.
Podrška za telefoniju:Omogućava implementaciju potpuno dvosmjernih glasovnih agenata za telefonske pozive, od rezervacija u restoranima do korisničke podrške.
Try GPT-Live-1
See what it can do
- Talk over it—naturally. Ask for help, then interrupt mid-response to change the question or add detail.
- Take it with you. Try a conversation while walking outside or with everyday background noise, and see how it stays with you.
- Make it playful. Laugh, hesitate, use short acknowledgments, or briefly talk to someone nearby—then continue the conversation.
Ovaj demo je vremenski ograničen. Korištenjem toga pristajete na uslove korištenja OpenAI-a Uslove i potvrđujete da ste upoznati s našim Pravilima privatnosti.
Tradicionalni glasovni agenti povezuju pretvaranje govora u tekst, model rezonovanja i pretvaranje teksta u govor. Svaki prijelaz povećava kašnjenje i stvara više prilika za gubitak pravog trenutka, konteksta ili prirodnog ritma razgovora. Programerima često ostaje da koordiniraju te faze, uključujući ono što se dešava kada neko prekine razgovor, zastane ili promijeni smjer.
GPT‑Live‑1 objedinjuje slušanje i govor u jednom modelu, čime pojednostavljuje glasovni sloj uživo. Može reagovati na prekide i potvrde čim se dese, istovremeno delegirajući dublje rezonovanje pozadinskom sistemu. Tako se razgovor može nastaviti dok se posao odvija u pozadini.
Programeri biraju modele, alate i harness agenta koji stoje iza razgovora. Naprimjer, mogu upariti GPT‑Live‑1 s modelom poput Lune za zadatke velikog obima, kao što su zakazivanje ili ažuriranje narudžbi, a model poput Astre koristiti za složene probleme korisnika koji zahtijevaju rezonovanje. Ta fleksibilnost omogućava programerima da dubinu rezonovanja, brzinu i troškove prilagode svakom zadatku.
GPT‑Live‑1 izvorno pruža ASR transkripte i tekst odgovora. Također nudi napredno razumijevanje alfanumeričkih podataka i podržava davanje prednosti ključnim riječima. Iako GPT‑live nije model zasnovan na smjenjivanju govornika, izvorno podržava otkrivanje smjene, pa programeri i dalje mogu graditi sisteme oko izričitih granica između smjena.
[REZERVIRANO MJESTO: Uporedni audiozapis modela GPT‑Live‑1 i kaskadnog glasovnog sistema — čekaju se audiodatoteke i transkripti.]
U našim procjenama GPT‑Live‑1 uparen s modelom GPT‑6 Astra uz srednji nivo rezonovanja zauzima 1. mjesto na testu Tau3, koji mjeri graničnu inteligenciju glasovnih agenata na cjelovitim zadacima, te 1. mjesto na testu Full Duplex Bench, koji ocjenjuje interaktivnost, kašnjenje pri smjenjivanju govornika, pozivanje alata i kvalitet odgovora.
Evaluates spoken customer-service tasks in airline, retail, and telecom domains. Pass@1 measures task success; the headline gives each domain equal weight.
* GPT Live backend: Astra (medium).
Evaluates spoken banking support with knowledge retrieval and account tools. Pass@1 is the fraction of 97 banking_knowledge tasks completed successfully.
* GPT Live backend: Astra (medium).
Evaluates pause handling, conversational turn taking, interruptions, and backchannels.
Tests reactions to background speech, speech to another person, listener backchannels, and interruptions.
Measures how quickly the agent starts its reply after the user finishes a turn.
Tests tool use from spoken requests containing natural pauses, hesitations, and self-corrections. Pass@1 scores the tool-call sequence.
* GPT Live backend: Terra (low).
Evaluates the spoken answer to tool-using requests containing pauses, hesitations, and self-corrections. Scores how well the answer matches the reference intent.
* GPT Live backend: Terra (low).
Programerima su potrebni glasovi koji odgovaraju njihovom proizvodu i zvuče prirodno njegovim korisnicima. Uz GPT‑Live‑1 prelazimo s malog skupa glasova u stvarnom vremenu na širi izbor naglasaka, dijalekata i jezika, pružajući programerima više mogućnosti da odaberu kako će njihovi asistenti zvučati.
Quartz — australski engleski, ženski, generisan
Ripple — australski engleski, muški, prirodan
Vesper — britanski engleski, muški, prirodan
Willow — irski engleski, ženski, prirodan
Stone — irski engleski, muški, prirodan
Gleam — sjevernoamerički engleski, ženski, prirodan
Meridian — sjevernoamerički engleski, muški, prirodan
Bossa — brazilski portugalski, ženski, prirodan
Tempo — brazilski portugalski, muški, prirodan
Aster — indijski engleski, ženski, generisan
Beacon — filipinski engleski, muški, generisan
Delta — engleski s juga SAD-a, ženski, generisan
Cinder — engleski s juga SAD-a, muški, generisan
U narednim mjesecima nastavit ćemo širiti izbor glasova i dostupnost jezika.
GPT‑Live‑1 je od danas dostupan u API-ju po cijeni od 0,05 USD po minuti za glasovni sloj korisničkog sučelja. Uparite ga s pozadinskim modelom i harnessom agenta koji odgovaraju vašem proizvodu, a zatim izgradite glasovno iskustvo koje se može prilagođavati obimu zadataka.
Za pristup prilagođenim glasovima obratite se prodajnom timu kako biste saznali više o uslovima i postupku podnošenja zahtjeva.
Brže počnite koristiti GPT‑Live‑1 uz Presence, koji podržava glasovna i tekstualna iskustva u stvarnom vremenu, kao što su korisnička podrška, odlazna prodaja i visokorizični interni radni procesi. Za više informacija obratite se svom direktoru za OpenAI korisnički račun.
