Κυκλοφορούμε το GPT‑Live‑1 στο API, προσφέροντας στους προγραμματιστές ένα ισχυρό μοντέλο φυσικής φωνής για τη δημιουργία εφαρμογών με φωνητικές δυνατότητες και επιχειρηματικών ροών εργασίας. Έχοντας παρουσιαστεί για πρώτη φορά στο ChatGPT, το GPT‑Live‑1 μπορεί να ακούει και να μιλά ταυτόχρονα και, όπως είδαμε με το Codex και το ChatGPT Work⁠(ανοίγει σε νέο παράθυρο), μπορεί να αναθέτει βαθύτερη συλλογιστική και ενέργειες στα μοντέλα και τα εργαλεία με τα οποία συνδυάζεται.

Για την κυκλοφορία του GPT‑Live‑1 στο API, εστιάσαμε σε νέες δυνατότητες που επιτρέπουν στους προγραμματιστές να διαμορφώνουν και να προσαρμόζουν τις φωνητικές εμπειρίες στους χρήστες, τις ροές εργασίας και τους στόχους τους. Ένα βασικό πλεονέκτημα του GPT‑Live‑1, η ομαλή διαχείριση των διακοπών, αποφέρει ήδη επιχειρηματικά οφέλη: στις πρώτες αξιολογήσεις, η Speak διαπίστωσε ότι το GPT‑Live‑1 έδινε στους εκπαιδευόμενους περισσότερο χρόνο να σκεφτούν πριν απαντήσει ο καθηγητής γλώσσας, μειώνοντας τις διακοπές σχεδόν κατά 80% σε σύγκριση με προηγούμενα συστήματα διαδοχικής εναλλαγής ομιλητών.

Βασικά πλεονεκτήματα του GPT‑Live‑1 στο API:

• Διαχείριση διακοπών: Βελτιώνει τη διαχείριση των διακοπών μέσω ενός ενιαίου μοντέλου που επεξεργάζεται από κοινού τον εισερχόμενο και τον εξερχόμενο ήχο, αποφεύγοντας την καθυστέρηση και τις ασταθείς μεταβιβάσεις των αλυσιδωτών αρχιτεκτονικών STT–LLM–TTS.

• Ανάθεση συλλογιστικής και κλήσεων εργαλείων: Το GPT‑Live‑1 μπορεί να αναθέτει τη συλλογιστική και τις κλήσεις εργαλείων σε ένα μοντέλο κειμένου στο backend, όπως το GPT‑6 Astra ή ένα μοντέλο τρίτου μέρους.

• Τόνος, ρυθμός και στιλ: Επιτρέπει στους προγραμματιστές να διαμορφώνουν τον τόνο, τον ρυθμό και το συνομιλιακό ύφος ενός πράκτορα μέσω της προτροπής συστήματος.

• Αθόρυβη διαχείριση πλαισίου και θορύβου παρασκηνίου: Διαχειρίζεται καλύτερα τον θόρυβο παρασκηνίου και τη σιωπή, χωρίς να διακόπτει τη συζήτηση ή να περιγράφει φωναχτά κάθε βήμα.

• Αξιοπιστία σε μεγάλες συνεδρίες: Βελτιώνει τη διατήρηση του πλαισίου και την ποιότητα της συνομιλίας σε παρατεταμένες αλληλεπιδράσεις.

• Υποστήριξη τηλεφωνίας: Επιτρέπει την ανάπτυξη φωνητικών πρακτόρων πλήρως αμφίδρομης επικοινωνίας για τηλεφωνικές κλήσεις, από κρατήσεις σε εστιατόρια έως εξυπηρέτηση πελατών.

Οι παραδοσιακοί φωνητικοί πράκτορες συνδέουν τη μετατροπή ομιλίας σε κείμενο, ένα μοντέλο συλλογιστικής και τη μετατροπή κειμένου σε ομιλία. Κάθε μεταβίβαση αυξάνει την καθυστέρηση και δημιουργεί περισσότερες πιθανότητες να χαθούν ο σωστός χρονισμός, το πλαίσιο ή ο φυσικός ρυθμός μιας συνομιλίας. Συχνά οι προγραμματιστές καλούνται να συντονίσουν αυτά τα στάδια, μαζί με το τι συμβαίνει όταν ένα άτομο διακόπτει, κάνει παύση ή αλλάζει κατεύθυνση.

Το GPT‑Live‑1 διαχειρίζεται την ακρόαση και την ομιλία σε ένα ενιαίο μοντέλο, απλοποιώντας το επίπεδο φωνής. Μπορεί να ανταποκρίνεται σε διακοπές και επιβεβαιώσεις τη στιγμή που συμβαίνουν, αναθέτοντας παράλληλα τη βαθύτερη συλλογιστική στο backend. Έτσι, η συνομιλία μπορεί να συνεχίζεται ενώ οι εργασίες εκτελούνται στο παρασκήνιο.

Οι προγραμματιστές επιλέγουν τα μοντέλα, τα εργαλεία και τον μηχανισμό πράκτορα που υποστηρίζουν τη συνομιλία. Για παράδειγμα, μπορούν να συνδυάσουν το GPT‑Live‑1 με ένα μοντέλο όπως το Luna για εργασίες μεγάλου όγκου, όπως ο προγραμματισμός ραντεβού ή οι ενημερώσεις παραγγελιών, και να χρησιμοποιήσουν ένα μοντέλο όπως το Astra για σύνθετα ζητήματα πελατών που απαιτούν συλλογιστική. Αυτή η ευελιξία επιτρέπει στους προγραμματιστές να προσαρμόζουν το βάθος συλλογιστικής, την ταχύτητα και το κόστος σε κάθε εργασία.

Το GPT‑Live‑1 παρέχει εγγενώς μεταγραφές ASR και κείμενο απάντησης. Προσφέρει επίσης ισχυρή κατανόηση αλφαριθμητικών στοιχείων και υποστηρίζει την προτεραιοποίηση λέξεων-κλειδιών. Παρότι το GPT‑Live‑1 δεν είναι μοντέλο διαδοχικής εναλλαγής ομιλητών, υποστηρίζει εγγενώς την ανίχνευση εναλλαγής ομιλητή, ώστε οι προγραμματιστές να μπορούν να συνεχίσουν να δημιουργούν εμπειρίες με σαφή όρια εναλλαγής.

Στις αξιολογήσεις μας, το GPT‑Live‑1 βελτιώνει την απόδοση στο Full Duplex Bench κατά 30 ποσοστιαίες μονάδες σε σχέση με το GPT‑Realtime‑2.1, με σημαντικές βελτιώσεις στην καθυστέρηση εναλλαγής συνομιλητών και τη διαδραστική συμπεριφορά. Σε συνδυασμό με το GPT‑6 Astra και μεσαία προσπάθεια συλλογιστικής, κατατάσσεται επίσης πρώτο στο Tau3, το οποίο μετρά την ευφυΐα αιχμής των φωνητικών πρακτόρων σε εργασίες από άκρο σε άκρο.

Οι προγραμματιστές χρειάζονται φωνές που ταιριάζουν στο προϊόν τους και ακούγονται φυσικές στους χρήστες του. Με το GPT‑Live‑1, περνάμε από ένα μικρό σύνολο φωνών πραγματικού χρόνου σε μια ευρύτερη επιλογή προφορών, διαλέκτων και γλωσσών, δίνοντας στους προγραμματιστές περισσότερες δυνατότητες να διαμορφώσουν τον ήχο των βοηθών τους.

Τους επόμενους μήνες θα συνεχίσουμε να διευρύνουμε τις επιλογές φωνής και τη διαθεσιμότητα γλωσσών.

Το GPT‑Live‑1 είναι διαθέσιμο σήμερα στο API⁠(ανοίγει σε νέο παράθυρο) με κόστος 0,05 $ ανά λεπτό για το φωνητικό επίπεδο του front end. Συνδυάστε το με το μοντέλο back-end και την υποδομή ενορχήστρωσης πράκτορα που ταιριάζουν στο προϊόν σας και δημιουργήστε μια φωνητική εμπειρία που μπορεί να κλιμακώνεται ανάλογα με τις εργασίες που πρέπει να εκτελεί.

Για πρόσβαση σε προσαρμοσμένες φωνές, επικοινωνήστε με το τμήμα πωλήσεων, ώστε να μάθετε περισσότερα για τα κριτήρια επιλεξιμότητας και τη διαδικασία υποβολής αιτήματος.

Μπορείτε επίσης να δημιουργήσετε φωνητικές ροές εργασίας με το GPT‑Live‑1 μέσω του OpenAI Presence, το οποίο αξιοποιεί το μοντέλο για φωνητικές αλληλεπιδράσεις σε πραγματικό χρόνο. Το Presence βοηθά τις επιχειρήσεις να υλοποιούν αξιόπιστους πράκτορες ΤΝ, οι οποίοι μπορούν να απαντούν σε ερωτήσεις, να επιλύουν ζητήματα, να χρησιμοποιούν εταιρικά συστήματα, να εκτελούν εγκεκριμένες ενέργειες και να παραπέμπουν το αίτημα σε ανθρώπινο εκπρόσωπο όταν χρειάζεται. Επικοινωνήστε με τον υπεύθυνο του λογαριασμού σας στην OpenAI για να μάθετε περισσότερα.