معرفی GPT‑Live

ما GPT‑Live را عرضه می‌کنیم؛ نسل تازه‌ای از مدل‌های صوتی که تجربه گفت‌وگو با هوش مصنوعی را بسیار طبیعی‌تر و شبیه‌تر به یک مکالمه واقعی می‌کنند.

GPT‑Live بر پایه معماری تمام‌دوطرفه ساخته شده است؛ یعنی می‌تواند هم‌زمان گوش دهد و صحبت کند. در طول مکالمه، GPT‑Live می‌تواند با عبارت‌هایی مانند «هوم» یا «آره» نشان دهد که صحبت شما را دنبال می‌کند، در تبادل‌های سریع و رفت‌وبرگشتی مکالمه مشارکت داشته باشد یا زمانی که برای فکر کردن به لحظه‌ای مکث نیاز دارید، منتظر بماند. نتیجه، تجربه‌ای صوتی است که گفت‌وگو با آن به‌شکل چشمگیری طبیعی، روان و آسان احساس می‌شود.

GPT‑Live همچنین هوشمندترین مدل صوتی ما تا امروز است. برای پرسش‌هایی که به جست‌وجوی وب، استدلال عمیق‌تر یا پردازش‌های پیچیده نیاز دارند، درخواست را در پس‌زمینه به جدیدترین مدل پیشرفته ما ارجاع می‌دهد و پس از آماده شدن نتیجه، آن را به مکالمه بازمی‌گرداند. در طول این فرایند، GPT‑Live همچنان می‌تواند با شما گفت‌وگو کند و جریان طبیعی مکالمه را حفظ کند. در زمان عرضه، GPT‑Live در پس‌زمینه از GPT‑5.5 استفاده خواهد کرد. با انتشار مدل‌های پیشرفته جدید، مدل مورد استفاده GPT‑Live را نیز به‌طور مستمر به‌روزرسانی خواهیم کرد.

این پیشرفت‌ها تجربه‌ای جدید از ChatGPT Voice را امکان‌پذیر می‌کنند؛ تجربه‌ای که تعامل با آن هوشمندانه‌تر و طبیعی‌تر شده است. با گذشت زمان، باور داریم این پژوهش زمینه را برای استفاده از صدا در انجام کارهایی پیچیده‌تر، طولانی‌تر و عامل‌محورتر نیز فراهم خواهد کرد.

امروز عرضه تدریجی دو نسخه GPT‑Live — GPT‑Live‑1 و GPT‑Live‑1 mini — را برای کاربران ChatGPT در سراسر جهان آغاز می‌کنیم. همچنین قصد داریم به‌زودی این مدل‌ها را در API ارائه کنیم و توسعه‌دهندگان و سازمان‌ها می‌توانند از طریق این فرم⁠ برای دریافت اعلان ثبت‌نام کنند.

چشم‌انداز ما ایجاد تعاملی واقعاً طبیعی میان انسان و هوش مصنوعی است: جهانی که در آن همکاری با هوش مصنوعی به اندازه کار کردن با یک انسان دیگر روان، طبیعی و پاسخ‌گو باشد، در حالی که استدلال و اجرای کارهای پیچیده به‌صورت یکپارچه در پس‌زمینه انجام می‌شود.

نسل‌های قدیمی‌تر سیستم‌های هوش مصنوعی صوتی ما را به آن چشم‌انداز نزدیک‌تر کردند، اما با محدودیت‌ها و ملاحظات مهمی همراه بودند.

سیستم‌های صوتی چندمرحله‌ای برای پردازش هر نوبت مکالمه، به مجموعه‌ای از مدل‌ها متکی هستند که به‌ترتیب و یکی پس از دیگری عمل می‌کنند. ChatGPT Voice اولیه سه مدل را به یک زنجیره متصل می‌کرد: یک مدل گفتار به متن برای تبدیل گفتار شما به متن، یک مدل زبانی بزرگ برای تولید پاسخ، و یک مدل متن به گفتار برای تبدیل دوباره پاسخ به صدا. این رویکرد برای نخستین بار امکان گفت‌وگو با مدل‌های پیشرفته هوش مصنوعی را فراهم کرد، اما پیچیدگی آن هزینه‌هایی داشت: ممکن بود اطلاعات میان مدل‌ها از بین برود و پاسخ‌ها کند و غیرطبیعی باشند.

مدل‌های صوتی مبتنی بر نوبت مانند ChatGPT Advanced Voice Mode پردازش و تولید صدا را در یک مدل واحد انجام می‌دادند؛ رویکردی که تأخیر را کاهش می‌داد و مکالمه‌ها را روان‌تر می‌کرد. با این حال، این مدل‌ها همچنان بر پایه نوبت‌های مجزای گفت‌وگو عمل می‌کردند. مدل باید منتظر می‌ماند تا کاربر صحبت خود را به پایان برساند و سپس پاسخ دهد؛ در نتیجه، تعامل رفت‌وبرگشتی حالتی محدود و کمتر انعطاف‌پذیر داشت. علاوه بر این، چون تشخیص نوبت بر اساس سکوت انجام می‌شد، حتی یک مکث کوتاه یا صدای پس‌زمینه ممکن بود به‌اشتباه پایان نوبت تلقی شود و باعث شود مدل در زمان‌هایی نامناسب صحبت کاربر را قطع کند.

GPT‑Live با دو تغییر معماری این محدودیت‌ها را برطرف می‌کند.

نخست، GPT‑Live را برای تعامل مستمر با استفاده از معماری تمام‌دوطرفه طراحی کردیم. به‌جای پردازش دنباله‌ای از پیام‌های جداگانه، GPT‑Live ورودی را به‌صورت پیوسته و هم‌زمان با تولید خروجی پردازش می‌کند. بنابراین، مدل می‌تواند در هر ثانیه بارها درباره نحوه تعامل تصمیم بگیرد: اینکه صحبت کند، به گوش دادن ادامه دهد، مکث کند، صحبت کاربر را قطع کند یا ابزاری را فراخوانی کند.

این قابلیت باعث می‌شود مدل بتواند گفت‌وگوهایی روان‌تر و طبیعی‌تر داشته باشد، زمان‌بندی مکالمه را بهتر تشخیص دهد و حتی ترجمه هم‌زمان ارائه کند.

دوم، GPT‑Live را — که مسئول تعامل پیوسته با کاربر است — از انجام وظایف پیچیده‌تر جدا کردیم. اگر پرسشی به جست‌وجو، استدلال یا قابلیت‌های عامل‌محور نیاز داشته باشد، GPT‑Live می‌تواند آن وظیفه را به مدلی مانند GPT‑5.5 بسپارد و در همین حال، گفت‌وگو را با کاربر ادامه دهد.

این تغییر معماری همچنین به GPT‑Live اجازه می‌دهد همواره از تازه‌ترین مدل‌ها و عامل‌ها استفاده کند و هوشمندی پیشرو را با تعامل طبیعی درآمیزد.

ارزیابی‌های انسانی جدیدی ایجاد کردیم تا بررسی کنیم مکالمه‌ها چقدر خوشایند و روان هستند. در مقایسه‌های مستقیم، ارزیابان در گفت‌وگوهای ۵ تا ۱۰ دقیقه‌ای مشابه، GPT‑Live‑1 و GPT‑Live‑1 mini را از نظر ترجیح کلی، نحوه نوبت‌گیری، وقفه‌ها، جریان مکالمه و طبیعی بودن تعامل، بیشتر از دستیار صوتی پیشرفته ترجیح دادند.

• GPQA: GPT‑Live‑1 در GPQA به‌طور چشمگیری از دستیار صوتی پیشرفته بهتر عمل می‌کند؛ آزمونی که استدلال علمی در سطح متخصص را در زیست‌شناسی، شیمی و فیزیک می‌سنجد.
• BrowseComp: GPT‑Live‑1 در آزمون BrowseComp عملکرد بهتری نسبت به دستیار صوتی پیشرفته دارد؛ این آزمون توانایی جست‌وجوی عامل‌محور در وب و یافتن اطلاعاتی را می‌سنجد که دسترسی به آن‌ها دشوار است.
• τ³-Voice Telecom**: GPT‑Live‑1 در τ³-Voice Telecom از دستیار صوتی پیشرفته بهتر عمل می‌کند؛ آزمونی که عامل‌های صوتی را در کارهای پشتیبانی مخابراتی واقع‌گرایانه و چندنوبتی می‌سنجد.

هر هفته، بیش از ۱۵۰ میلیون نفر با استفاده از قابلیت‌هایی مانند Voice و Dictation با ChatGPT تعامل دارند. آن‌ها از این قابلیت‌ها برای دریافت کمک‌های روزمره بدون نیاز به استفاده از دست، تمرین زبان، تعریف داستان‌های پیش از خواب یا حتی گفت‌وگو در مسیر رفت‌وآمد استفاده می‌کنند.

از امروز، با لمس دکمه Voice برای گفت‌وگو با ChatGPT، تجربه‌ای بهبودیافته مبتنی بر GPT‑Live خواهید داشت؛ با مکالمه‌هایی طبیعی‌تر، پاسخ‌هایی هوشمندتر، درک بهتر گفتار و پاسخ‌هایی همراه با عناصر بصری.

حالا گفت‌وگو با ChatGPT بیش از پیش شبیه یک مکالمه واقعی خواهد بود. می‌توانید با پرسیدن سؤال، مکالمه را قطع کنید، برای فکر کردن مکث کنید یا از ChatGPT بخواهید آهسته‌تر صحبت کند. ChatGPT با واکنش‌های طبیعی مانند «هوم» یا «متوجه شدم» نشان می‌دهد که صحبت‌های شما را دنبال می‌کند. همچنین، نه صدای متمایز ChatGPT را برای GPT‑Live بازطراحی و بهینه‌سازی کرده‌ایم.

ChatGPT Voice اکنون می‌تواند از جدیدترین مدل‌های پیشرفته ما بهره بگیرد و در مواقع نیاز، پاسخ‌هایی هوشمندتر ارائه دهد. همچنین می‌توانید سطح استدلال متناسب با نیاز خود را انتخاب کنید: Instant برای پاسخ‌های سریع، یا Medium و High زمانی که می‌خواهید ChatGPT زمان بیشتری را صرف تفکر کند.

اگر برای فکر کردن لحظه‌ای مکث کنید، ChatGPT Voice اکنون به‌جای وارد شدن به مکالمه و قطع کردن صحبت شما، منتظر می‌ماند. اگر از آن بخواهید سکوت کند و فقط گوش دهد، همین کار را انجام می‌دهد. همچنین، در محیط‌هایی با صداهای پس‌زمینه مانند عبور خودروها یا گفت‌وگوهای اطراف، ChatGPT بهتر می‌تواند روی صدای شما تمرکز کند و از صداهای مزاحم تأثیر نپذیرد.

برخی پاسخ‌ها وقتی به‌صورت بصری ارائه شوند، کاربردی‌تر هستند. هنگام گفت‌وگو، ChatGPT اکنون می‌تواند برای موضوعاتی مانند آب‌وهوا، سهام، ورزش و موارد دیگر، کارت‌های تصویریِ حاوی اطلاعات نمایش دهد. Voice همچنان از قابلیت‌هایی مانند جست‌وجو، حافظه، تصاویر و بارگذاری فایل‌ها نیز پشتیبانی می‌کند.

حاصل این تغییرات، تجربه‌ای از ChatGPT Voice است که طبیعی‌تر، توانمندتر و کاربردی‌تر در زندگی روزمره به نظر می‌رسد.

GPT‑Live به‌گونه‌ای طراحی شده است که از ابتدا به‌صورت پیش‌فرض ایمن باشد. این سامانه از پیشرفت‌های ایمنی جدیدترین مدل‌های ما بهره می‌گیرد و در کنار آن، آموزش‌های ایمنی اختصاصی برای حوزه‌های کلیدی ریسک و سازوکارهای حفاظتی جدیدی را ارائه می‌کند که به‌طور ویژه برای تعاملات صوتی طراحی شده‌اند.

برای اینکه نحوه استفاده واقعی افراد از قابلیت صوتی را بهتر منعکس کنیم، ابتدا دامنه آزمون‌های ایمنی خود را گسترش دادیم تا ارزیابی‌های جدید و اختصاصی برای صوت را نیز دربرگیرد. همچنین ارزیابی‌های مصنوعی مبتنی بر صدای تولیدشده طراحی کردیم تا با بهره‌گیری از آموخته‌های خود از دستیار صوتی پیشرفته، حوزه‌های کلیدی ایمنی را با تمرکز و دقت بیشتری بررسی کنیم. این حوزه‌ها شامل خودآزاری، روان‌پریشی و شیدایی، وابستگی عاطفی به هوش مصنوعی، خشونت و محتوای جنسی می‌شوند. کارشناسان داخلی نیز مدل را با سناریوهای چالش‌برانگیز آزمایش کردند تا خطرهای ویژه تعاملات صوتی را شناسایی کنند.

در آزمون‌های ما، GPT‑Live تقریباً در همه حوزه‌هایی که ارزیابی کردیم، عملکردی هم‌سطح یا بهتر ازدستیار صوتی پیشرفته داشت. برای اطلاعات بیشتر درباره آزمون‌ها و سازوکارهای ایمنی ما، می‌توانید به کارت سیستم⁠(در یک پنجره جدید باز می‌شود) GPT‑Live مراجعه کنید.

از آنجا که مکالمات صوتی به‌صورت بلادرنگ انجام می‌شوند، سازوکارهای ایمنی جدیدی طراحی کرده‌ایم که می‌توانند حین پاسخ‌گویی مدل فعال شوند. اگر سیستم محتوایی بالقوه ناایمن را تشخیص دهد، می‌تواند مدل را به سمت پاسخ ایمن‌تر هدایت کند، پیام‌ها یا منابع حمایتی مرتبط را نمایش دهد یا در شرایط پرخطرتر، مکالمه صوتی را پایان دهد. برای گفت‌وگوهای مرتبط با خودآزاری نیز، قابلیت‌های حمایتی ChatGPT را برای Voice بهینه کرده‌ایم؛ از جمله ارائه راهنمایی برای دسترسی به خطوط کمک بحران که توسط متخصصان بررسی و تأیید شده‌اند.

برای حمایت از کاربران نوجوان، سازوکارهای حفاظتی بیشتری طراحی کردیم و رفتارهای متناسب با سن را مستقیماً در مدل آموزش دادیم تا خطر ارائه پاسخ‌های نامناسب کاهش یابد. والدین می‌توانند از طریق کنترل‌های والدین تعیین کنند که آیا نوجوانشان به ChatGPT Voice دسترسی داشته باشد یا خیر. همچنین، والدین مرتبط ممکن است در شرایط پرخطرتر، مانند مشاهده نشانه‌هایی از خودآزاری احتمالی یا قصد خودکشی، اعلان دریافت کنند.

همچنین در حال اجرای سنجش‌های بلندمدت و پایش پس از عرضه با تمرکز بر اتکای عاطفی هستیم تا درک خود را از این موضوع بهبود دهیم و سازوکارهای حفاظتی را بیش از پیش ارتقا بخشیم. با تکیه بر پژوهش‌های پیشین خود درباره استفاده عاطفی و بهزیستی عاطفی، این اقدامات به ما کمک می‌کنند الگوهای نوظهور را شناسایی کنیم و نحوه پاسخ‌گویی سیستم در تعاملات حساس عاطفی را بهبود دهیم.

در نهایت، GPT‑Live برای گفت‌وگو طراحی شده است، نه برای جعل یا تقلید صدای افراد واقعی. این سامانه از مجموعه‌ای از صداهای از پیش تعیین‌شده در ChatGPT استفاده می‌کند و سازوکارهای حفاظتی در آن تعبیه شده است تا از تقلید صدای افراد واقعی جلوگیری شود.

ما متعهد به حفظ و ارتقای ایمنی و بهزیستی هستیم و با یادگیری از نحوه استفاده واقعی، به تقویت مستمر این سازوکارهای حفاظتی ادامه خواهیم داد.

GPT‑Live اکنون به‌تدریج برای کاربران ChatGPT در سراسر جهان روی iOS، Android و ChatGPT.com⁠(در یک پنجره جدید باز می‌شود) عرضه می‌شود. GPT‑Live‑1 به مدل پیش‌فرض مورد استفاده برای ChatGPT Voice در کاربران Go، Plus و Pro تبدیل خواهد شد و GPT‑Live‑1 mini مدل پیش‌فرض کاربران Free خواهد بود. جزئیات بیشتر درباره دسترس‌پذیری در مرکز راهنما⁠(در یک پنجره جدید باز می‌شود) ما در دسترس است.

GPT‑Live را برای برخی از محبوب‌ترین زبان‌های مورد استفاده در ChatGPT بهینه کرده‌ایم. با این حال، در برخی زبان‌ها ممکن است مدل همچنان لهجه‌ای غیر بومی داشته باشد یا در روانی گفتار با محدودیت‌هایی مواجه باشد. ما به‌طور مستمر در حال بهبود تجربه چندزبانه GPT‑Live هستیم.

در زمان عرضه، GPT‑Live در ChatGPT هنوز از مکالمه صوتی همراه با ویدیو یا اشتراک‌گذاری صفحه پشتیبانی نخواهد کرد، اما در حال کار برای ارائه این قابلیت‌ها در آینده نزدیک هستیم. همچنان می‌توانید به نسخه‌های پیشین ChatGPT Voice، از جمله Standard و Advanced Voice Mode، دسترسی داشته باشید؛ نسخه‌هایی که این قابلیت‌ها در آن‌ها در دسترس هستند.