Představujeme GPT‑Live

Spouštíme GPT‑Live, novou generaci hlasových modelů, díky nimž rozhovor s AI působí mnohem víc jako skutečná konverzace.

GPT‑Live je postavený na plně duplexní architektuře, což znamená, že dokáže poslouchat a mluvit zároveň. Během konverzace umí GPT‑Live dávat najevo, že věnuje pozornost, frázemi jako „mhmm“ nebo „jo“, naskočit do rychlé výměny, nebo prostě zůstat zticha, když potřebujete chvíli přemýšlet. Výsledkem je hlasové prostředí, se kterým se povídá překvapivě snadno.

GPT‑Live je také náš dosud nejchytřejší hlasový model. U otázek, které vyžadují vyhledávání na webu, hlubší uvažování nebo složitější práci, předá úlohu na pozadí našemu nejnovějšímu průkopnickému modelu a výsledek vrátí do konverzace, když je připravený. Zatímco pracuje, GPT‑Live s vámi může dál mluvit a udržovat plynulost konverzace. Při spuštění bude GPT‑Live na pozadí používat GPT‑5.5. Jakmile vydáme nové průkopnické modely, budeme model používaný GPT‑Live průběžně aktualizovat.

Tyto pokroky pohánějí novou verzi ChatGPT Voice, která je inteligentnější a přirozeněji se používá. Věříme, že tento výzkum časem umožní používat hlas i pro stále složitější, déle probíhající a agentnější práci.

Dnes začínáme pro uživatele ChatGPT po celém světě zavádět dvě verze GPT‑Live – GPT‑Live‑1 a GPT‑Live‑1 mini. Brzy je plánujeme zpřístupnit také v API a vývojáři i firmy se mohou zaregistrovat k odběru oznámení pomocí tohoto formuláře⁠.

Naší vizí je umožnit skutečně přirozenou interakci člověka s AI: svět, kde spolupráce s AI působí stejně plynule a pohotově jako práce s jiným člověkem, zatímco uvažování a provádění složitých úloh plynule běží na pozadí.

Starší generace hlasových systémů AI nás k této vizi přiblížily, ale za cenu značných kompromisů.

Kaskádové hlasové systémy se opírají o řadu modelů, které při zpracování každé repliky jednají jeden po druhém. Původní ChatGPT Voice propojil tři modely: model převodu řeči na text, který vaši řeč přepsal, velký jazykový model, který vytvořil odpověď, a model převodu textu na řeč, který ji znovu převedl do mluvené podoby. Tento přístup nám poprvé umožnil mluvit s průkopnickými modely AI, ale složitost měla svou cenu: mezi modely se mohly ztrácet informace a odpovědi byly pomalé a nepřirozené.

Hlasové modely generující konverzaci repliku po replice, jako je pokročilý hlasový režim ChatGPT, zpracovávaly a generovaly audio v jediném modelu, což vedlo k nižší latenci a hladším konverzacím — stále ale fungovaly v rámci oddělených replik. Model musel před odpovědí čekat, až uživatel domluví, což vedlo k strnulé výměně replik. Navíc protože konec repliky byl detekován podle ticha, byla někdy i krátká pauza nebo hluk na pozadí omylem vyhodnocena jako konec repliky — a model pak skočil do řeči v nepřirozenou chvíli.

GPT‑Live tato omezení řeší dvěma architektonickými změnami.

Zaprvé jsme GPT‑Live vytvořili pro nepřetržitou interakci pomocí plně duplexní architektury. Místo zpracování posloupnosti samostatných zpráv GPT‑Live průběžně zpracovává vstup a zároveň generuje výstup. Model proto může rozhodovat o interakci mnohokrát za sekundu: zda mluvit, dál poslouchat, udělat pauzu, přerušit nebo použít nástroj.

Díky tomu se model může zapojovat do přirozenější výměny, lépe vnímat čas a dokonce naživo překládat.

Zadruhé jsme oddělili GPT‑Live — který zajišťuje nepřetržitou interakci — od hlubší práce. Když otázka vyžaduje vyhledávání, uvažování nebo agentnější schopnosti, GPT‑Live může úlohu delegovat na jiný model, například GPT‑5.5. Díky tomu může udržovat konverzaci v chodu, i když na pozadí zpracovává více úloh.

Tato architektonická změna také GPT‑Live umožňuje průběžně využívat nejnovější modely a agenty a spojovat průkopnickou inteligenci s přirozenou interakcí.

Vytvořili jsme nová lidská hodnocení, která měří příjemnost a plynulost konverzace. V těchto přímých porovnáních jsou GPT‑Live‑1 a GPT‑Live‑1 mini výrazně preferovány před pokročilým hlasovým režimem ve srovnatelných 5–10minutových konverzacích, které měří celkovou preferenci, střídání mluvčích v rámci konverzace, skákání do řeči, plynulost konverzace, a jak přirozeně každá interakce působila.

• GPQA: GPT‑Live‑1 výrazně překonává pokročilý hlasový režim v GPQA, který testuje vědecké uvažování na expertní úrovni napříč biologií, chemií a fyzikou.
• BrowseComp: GPT‑Live‑1 vykazuje oproti pokročilému hlasovému režimu výrazné zlepšení v BrowseComp, který testuje agentní webové vyhledávání a schopnost najít obtížně dohledatelné informace.
• τ³-Voice Telecom**: GPT‑Live‑1 překonává pokročilý hlasový režim v τ³-Voice Telecom, který testuje hlasové agenty na realistických vícekrokových úlohách telekomunikační podpory.

Každý týden s ChatGPT mluví více než 150 milionů lidí pomocí funkcí, jako jsou Voice a Diktování. Používají ho k běžné pomoci bez nutnosti používat ruce, k procvičování jazyků, vyprávění pohádek na dobrou noc nebo jen na pokec cestou do práce.

Od dnešního dne získáte po klepnutí na tlačítko Voice pro rozhovor s ChatGPT vylepšené prostředí poháněné GPT‑Live – s přirozenějšími konverzacemi, chytřejšími odpověďmi, lepším nasloucháním a vizuálními odpověďmi.

Rozhovor s ChatGPT by teď měl mnohem víc připomínat skutečnou konverzaci. Můžete ho přerušit otázkou, udělat si pauzu na rozmyšlenou nebo požádat ChatGPT, aby zpomalil. Přirozeně dává najevo, že vás poslouchá, frázemi jako „mhmm“ nebo „rozumím“, takže víte, že drží krok. Také jsme v ChatGPT pro GPT‑Live remastrovali devět různých hlasů.

ChatGPT Voice teď dokáže využívat naše nejnovější průkopnické modely, takže vám nabídne chytřejší odpovědi, když je potřebujete. Můžete si také zvolit úroveň uvažování podle svých potřeb: instantní pro rychlé odpovědi nebo střední či vysokou, když chcete, aby ChatGPT věnoval přemýšlení více času.

Když se na chvíli zamyslíte, ChatGPT Voice teď počká, místo aby vám skočil do řeči. Když ho požádáte, aby byl zticha a poslouchal, udělá to. A když je v pozadí hluk, třeba projíždějící auta nebo okolní rozhovory, ChatGPT se lépe soustředí na váš hlas a nenechá se rozptylovat.

Některé odpovědi jsou užitečnější, když je vidíte. Během hovoru může ChatGPT nově zobrazovat bohaté vizuální karty k tématům, jako je počasí, akcie, sport a další. Hlas nadále podporuje také vyhledávání, paměť, obrázky a nahrávání souborů.

Výsledkem je prostředí ChatGPT Voice, které v každodenním životě působí přirozeněji, schopněji a užitečněji.

GPT‑Live byl navržen tak, aby byl bezpečný už ve výchozím nastavení. Staví na bezpečnostních pokrocích našich nejnovějších modelů a přidává specializovaný bezpečnostní trénink v klíčových rizikových oblastech i nové ochranné prvky navržené přímo pro hlas.

Abychom lépe zachytili, jak lidé hlas používají v reálných situacích, začali jsme rozšířením bezpečnostního testování o nová vyhodnocení nativní pro audio. Vytvořili jsme také syntetická hodnocení, která pomocí vygenerovaného audia intenzivněji zkoumají klíčové bezpečnostní oblasti a vycházejí z poznatků z pokročilého hlasového režimu. Mezi tyto oblasti patří sebepoškozování, psychóza a mánie, emoční závislost na AI, násilí a sexuální obsah. Interní odborníci také model red-teamovali z hlediska rizik, která jsou pro hlas jedinečná.

V našem testování si GPT‑Live vedl srovnatelně nebo lépe než pokročilý hlasový režim téměř ve všech hodnocených oblastech. Více o našem testování a ochranných opatřeních si můžete přečíst v kartě systému⁠(otevře se v novém okně) GPT‑Live.

Protože hlasové konverzace probíhají v reálném čase, vytvořili jsme také ochranná opatření, která mohou zasáhnout, když model mluví. Když systém rozpozná potenciálně nebezpečný výstup, může model nasměrovat k bezpečnější odpovědi, zobrazit další bezpečnostní sdělení nebo zdroje, případně v rizikovějších případech hlasovou konverzaci ukončit. Pro konverzace týkající se sebepoškozování jsme přizpůsobili pro hlas podpůrné postupy ChatGPT, včetně nabídky podpory na krizových linkách ověřené odborníky.

Navrhli jsme další ochranná opatření pro dospívající uživatele a přímo do modelu jsme natrénovali chování odpovídající věku, abychom snížili riziko nevhodných odpovědí. Rodiče mohou prostřednictvím rodičovské kontroly zvolit, zda jejich dospívající dítě může používat ChatGPT Voice, a propojení rodiče mohou být upozorněni v rizikovějších situacích se známkami možného sebepoškozování nebo sebevražedného úmyslu.

Zavádíme také dlouhodobější měření a sledování po spuštění zaměřené na emoční závislost, abychom dál zlepšovali porozumění a zpřesňovali ochranná opatření. V návaznosti na náš předchozí výzkum afektivního používání a emoční pohody nám to pomůže rozpoznávat nové vzorce a zlepšit reakce systému v emočně citlivých interakcích.

A konečně, GPT‑Live je navržen pro konverzaci, ne pro napodobování hlasu. Používá sadu předdefinovaných hlasů v ChatGPT a ochranná opatření, která mu brání napodobovat hlas skutečné osoby.

Jsme odhodláni podporovat bezpečnost a pohodu a budeme tyto ochrany dál posilovat na základě poznatků z reálného používání.

GPT‑Live je právě teď zaváděn pro uživatele ChatGPT po celém světě na iOS, Androidu a ChatGPT.com⁠(otevře se v novém okně). GPT‑Live‑1 se stane výchozím modelem pohánějícím ChatGPT Voice pro uživatele Go, Plus a Pro a GPT‑Live‑1 mini se stane výchozím modelem pro uživatele Free. Další podrobnosti o dostupnosti najdete v našem Centru nápovědy⁠(otevře se v novém okně).

GPT‑Live jsme optimalizovali pro některé z jazyků, které jsou v ChatGPT nejoblíbenější. U některých jazyků může mít model cizí přízvuk nebo mezery v plynulosti. Aktivně pracujeme na zlepšování prostředí napříč jazyky.

Při spuštění GPT‑Live nebude v ChatGPT podporovat hlas s videem ani sdílením obrazovky, ale pracujeme na tom, abychom tyto možnosti brzy zavedli. Stále můžete používat starší verze ChatGPT Voice, včetně standardního a pokročilého hlasového režimu, kde jsou tyto funkce dostupné.