Esittelyssä GPT‑Live

Julkaisemme GPT‑Liven, uuden sukupolven äänimalleja, joiden ansiosta tekoälyn kanssa puhuminen tuntuu paljon enemmän oikealta keskustelulta.

GPT‑Live perustuu full duplex -arkkitehtuuriin, mikä tarkoittaa, että se voi kuunnella ja puhua samaan aikaan. Keskustelun aikana GPT‑Live voi osoittaa kuuntelevansa ilmauksilla kuten ”mhmm” tai ”joo”, käydä nopeaa vuoropuhelua tai vain pysyä hiljaa, kun tarvitset hetken ajatteluun. Tuloksena on äänikokemus, jonka kanssa on virkistävän helppo keskustella.

GPT‑Live on myös tähän mennessä älykkäin äänimallimme. Kun kysymykset vaativat verkkohakua, syvempää päättelyä tai monimutkaisempaa työtä, se siirtää tehtävän taustalla uusimmalle edistyneelle mallillemme ja tuo tuloksen takaisin keskusteluun, kun se on valmis. Työskentelyn aikana GPT‑Live voi jatkaa keskustelua kanssasi ja pitää keskustelun sujuvana. Julkaisun yhteydessä GPT‑Live käyttää taustalla GPT‑5.5:tä. Kun julkaisemme uusia edistyneitä malleja, päivitämme jatkuvasti GPT‑Liven käyttämää mallia.

Nämä edistysaskeleet mahdollistavat uuden ChatGPT Voice -kokemuksen, joka on älykkäämpi ja tuntuu luonnollisemmalta käyttää. Ajan myötä uskomme tämän tutkimuksen avaavan mahdollisuuden käyttää ääntä yhä monimutkaisempaan, pitkäkestoisempaan ja agenttimaisempaan työhön.

Aloitamme tänään kahden GPT‑Live‑version – GPT‑Live‑1 ja GPT‑Live‑1 mini – julkaisun ChatGPT‑käyttäjille maailmanlaajuisesti. Aiomme tuoda ne pian myös APIin, ja kehittäjät ja yritykset voivat tilata ilmoituksen tällä lomakkeella⁠.

Tavoitteemme on mahdollistaa aidosti luonnollinen ihmisen ja tekoälyn vuorovaikutus: maailma, jossa yhteistyö tekoälyn kanssa tuntuu yhtä sujuvalta ja reagoivalta kuin työskentely toisen ihmisen kanssa, samalla kun päättely ja monimutkaisten tehtävien suorittaminen tapahtuvat saumattomasti taustalla.

Äänitekoälyjärjestelmien vanhemmat sukupolvet veivät meitä lähemmäs tätä visiota, mutta niihin liittyi merkittäviä kompromisseja.

Ketjutetut äänijärjestelmät perustuvat mallien sarjaan, jossa mallit toimivat peräkkäin käsitelläkseen jokaisen vuoron. Alkuperäinen ChatGPT Voice ketjutti yhteen kolme mallia: puheesta tekstiksi -mallin puheen litterointiin, suuren kielimallin vastauksen tuottamiseen ja tekstistä puheeksi -mallin sen muuttamiseen takaisin puheeksi. Tämä lähestymistapa mahdollisti ensimmäistä kertaa keskustelun edistyneiden tekoälymallien kanssa, mutta monimutkaisuus vaati veronsa: tietoa saattoi kadota mallien välillä, ja vastaukset olivat hitaita ja jäykkiä.

Vuoropohjaiset äänimallit, kuten ChatGPT:n Edistynyt äänitila, käsittelivät ja tuottivat ääntä yhden mallin sisällä, mikä vähensi viivettä ja teki keskusteluista sujuvampia – mutta ne toimivat silti erillisinä vuoroina. Mallin täytyi odottaa, että käyttäjä lopettaa puhumisen, ennen kuin se pystyi vastaamaan, mikä johti jäykkään vuorotteluun. Lisäksi koska vuoron tunnistus perustuu hiljaisuuteen, jopa lyhyt tauko tai taustamelu voitiin tulkita vuoron päättymiseksi — jolloin malli saattoi keskeyttää epäluontevina hetkinä.

GPT‑Live ratkaisee nämä rajoitukset kahdella arkkitehtuurimuutoksella.

Ensinnäkin rakensimme GPT‑Liven jatkuvaa vuorovaikutusta varten full duplex -arkkitehtuurilla. Erillisten viestien sarjan käsittelyn sijaan GPT‑Live käsittelee syötettä jatkuvasti samalla, kun se tuottaa ulostuloa. Siksi malli voi tehdä vuorovaikutuspäätöksiä monta kertaa sekunnissa: puhuako, jatkaako kuuntelua, pitääkö tauko, keskeyttääkö vai kutsuako työkalua.

Tämän ansiosta malli voi käydä luonnollisempaa vuoropuhelua, säilyttää paremman ajantajun ja jopa tehdä tulkkausta reaaliajassa.

Toiseksi erotimme jatkuvasta vuorovaikutuksesta vastaavan GPT‑Liven syvemmästä työstä. Kun kysymys vaatii hakua, päättelyä tai agenttimaisempia kyvykkyyksiä, GPT‑Live voi siirtää tehtävän toiselle mallille, kuten GPT‑5.5:lle. Näin se voi pitää keskustelun käynnissä samalla, kun se hoitaa useita tehtäviä taustalla.

Tämän arkkitehtuurimuutoksen ansiosta GPT‑Live voi myös käyttää jatkuvasti uusimpia malleja ja agentteja ja yhdistää edistyneen älykkyyden luonnolliseen vuorovaikutukseen.

Rakensimme uusia ihmisarviointeja mittaamaan miellyttävyyttä ja keskustelun sujuvuutta. Näissä suorissa vertailuissa GPT‑Live‑1:tä ja GPT‑Live‑1 miniä suositaan selvästi Edistyneeseen äänitilaan nähden vastaavissa 5–10 minuutin keskusteluissa, joissa mitataan kokonaispreferenssiä, vuorottelua, keskeytyksiä, keskustelun sujuvuutta ja sitä, kuinka luonnolliselta kukin vuorovaikutus tuntui.

• GPQA: GPT‑Live‑1 suoriutuu GPQA:ssa selvästi paremmin kuin Edistynyt äänitila; GPQA testaa asiantuntijatason tieteellistä päättelyä biologiassa, kemiassa ja fysiikassa.
• BrowseComp: GPT‑Live‑1 parantaa selvästi Edistyneeseen äänitilaan verrattuna BrowseCompissa, joka testaa agenttimaista verkkohakua ja vaikeasti löydettävän tiedon löytämistä.
• τ³-Voice Telecom**: GPT‑Live‑1 suoriutuu τ³-Voice Telecomissa paremmin kuin Edistynyt äänitila; se testaa ääniagentteja realistisissa, monivuoroisissa telealan tukitehtävissä.

Yli 150 miljoonaa ihmistä puhuu ChatGPT:lle joka viikko esimerkiksi Voice- ja Dictation-ominaisuuksilla. He käyttävät sitä arjen apuna ilman käsiä, kielten harjoitteluun, iltasatujen kertomiseen tai vain jutteluun työmatkalla.

Tästä päivästä alkaen saat paremman GPT‑Liven tarjoaman kokemuksen, kun napautat Voice-painiketta puhuaksesi ChatGPT:n kanssa: luonnollisempia keskusteluja, älykkäämpiä vastauksia, parempaa kuuntelua ja visuaalisia vastauksia.

ChatGPT:n kanssa puhumisen pitäisi nyt tuntua paljon enemmän oikealta keskustelulta. Voit keskeyttää kysymyksellä, pysähtyä kokoamaan ajatuksiasi tai pyytää ChatGPT:tä hidastamaan tahtia. Se kuittaa sanomasi luontevasti ilmauksilla kuten ”mhmm” tai ”selvä”, jotta tiedät sen seuraavan mukana. Olemme myös masteroineet ChatGPT:n yhdeksän erilaista ääntä uudelleen GPT‑Liveä varten.

ChatGPT Voice voi nyt hyödyntää uusimpia edistyneitä mallejamme ja antaa älykkäämpiä vastauksia silloin, kun tarvitset niitä. Voit myös valita tarpeisiisi sopivan päättelyn tason: Nopea nopeisiin vastauksiin tai Keskitaso ja Korkea, kun haluat ChatGPT:n käyttävän enemmän aikaa ajatteluun.

Jos pysähdyt hetkeksi miettimään, ChatGPT Voice odottaa eikä kiirehdi väliin keskeyttämään. Jos pyydät sitä olemaan hiljaa ja kuuntelemaan, se tekee niin. Ja kun taustalla on melua, kuten ohiajavaa liikennettä tai lähistöllä käytäviä keskusteluja, ChatGPT osaa keskittyä paremmin sinun ääneesi häiriintymättä.

Jotkin vastaukset ovat hyödyllisempiä, kun ne näkee. Keskustelun aikana ChatGPT voi nyt näyttää monipuolisia visuaalisia kortteja aiheista kuten säästä, osakkeista, urheilusta ja muusta. Voice tukee edelleen myös hakua, muistia, kuvia ja tiedostojen lataamista.

Tuloksena on ChatGPT Voice -kokemus, joka tuntuu luonnollisemmalta, kykenevämmältä ja hyödyllisemmältä arjessa.

GPT‑Live suunniteltiin oletusarvoisesti turvalliseksi. Se perustuu uusimpien malliemme turvallisuuskehitykseen ja lisää siihen erillistä turvallisuuskoulutusta keskeisillä riskialueilla sekä uusia erityisesti ääntä varten suunniteltuja suojatoimia.

Jotta testaus vastaisi paremmin sitä, miten ihmiset käyttävät ääntä todellisissa tilanteissa, laajensimme turvallisuustestaustamme uusilla natiivisti ääneen perustuvilla arvioinneilla. Loimme myös synteettisiä arviointeja, joissa tuotetun äänen avulla keskitytään intensiivisemmin keskeisiin turvallisuusalueisiin hyödyntäen Edistyneestä äänitilasta opittua. Näihin alueisiin kuuluvat itsensä vahingoittaminen, psykoosi ja mania, emotionaalinen tukeutuminen tekoälyyn, väkivalta ja seksuaalinen sisältö. Sisäiset asiantuntijat myös red team -testasivat mallia äänelle ominaisia riskejä varten.

Testeissämme GPT‑Live suoriutui lähes kaikilla arvioimillamme alueilla yhtä hyvin kuin Edistynyt äänitila tai sitä paremmin. Voit lukea lisää testauksestamme ja suojatoimistamme GPT‑Liven järjestelmäkortista⁠(avautuu uudessa ikkunassa).

Koska äänikeskustelut tapahtuvat reaaliajassa, rakensimme myös suojatoimia, jotka voivat toimia mallin puhuessa. Kun järjestelmä havaitsee mahdollisesti turvattoman tuotoksen, se voi ohjata mallia turvallisempaan vastaukseen, näyttää lisää turvallisuusviestejä tai resursseja tai suuremman riskin tapauksissa päättää äänikeskustelun. Itsensä vahingoittamista käsitteleviä keskusteluja varten sovitimme ChatGPT:n tukipolut ääneen, mukaan lukien asiantuntijoiden arvioiman kriisipuhelintuen tarjoamisen.

Suunnittelimme lisäsuojauksia teini-ikäisten käyttäjien tueksi ja koulutimme ikätasolle sopivaa käyttäytymistä suoraan malliin, jotta sopimattomien vastausten riski pienenisi. Vanhemmat voivat käytönvalvonnan kautta valita, voiko heidän teini-ikäisensä käyttää ChatGPT Voicea, ja linkitetyt vanhemmat voivat saada ilmoituksen suuremman riskin tilanteissa, joissa näkyy merkkejä mahdollisesta itsensä vahingoittamisesta tai itsetuhoisista aikeista.

Otamme myös käyttöön pidemmän aikavälin mittausta ja julkaisun jälkeistä seurantaa, jotka keskittyvät emotionaaliseen tukeutumiseen, jotta voimme edelleen parantaa ymmärrystämme ja hienosäätää suojatoimia. Aiempi affektiivista käyttöä ja emotionaalista hyvinvointia koskeva tutkimuksemme auttaa meitä tunnistamaan nousevia malleja ja parantamaan sitä, miten järjestelmä reagoi tunnetasolla herkissä vuorovaikutuksissa.

Lopuksi GPT‑Live on suunniteltu keskusteluun, ei äänen imitointiin. Se käyttää ChatGPT:ssä ennalta määritettyjä ääniä, ja suojatoimet estävät sitä jäljittelemästä todellisen henkilön ääntä.

Olemme sitoutuneet tukemaan turvallisuutta ja hyvinvointia ja vahvistamme näitä suojauksia edelleen, kun opimme todellisesta käytöstä.

GPT‑Liveä julkaistaan nyt ChatGPT‑käyttäjille maailmanlaajuisesti iOS:ssä, Androidissa ja ChatGPT.comissa⁠(avautuu uudessa ikkunassa). GPT‑Live‑1:stä tulee oletusmalli, joka pyörittää ChatGPT Voicea Go-, Plus- ja Pro-käyttäjillä, ja GPT‑Live‑1 ministä tulee oletus Free-käyttäjille. Lisätietoja saatavuudesta on ohjekeskuksessamme⁠(avautuu uudessa ikkunassa).

Olemme optimoineet GPT‑Liven joillekin ChatGPT:n suosituimmista kielistä. Joissakin kielissä mallilla voi olla ei-natiivin puhujan aksentti tai puutteita sujuvuudessa. Työskentelemme aktiivisesti käyttökokemuksen parantamiseksi eri kielillä.

Julkaisun yhteydessä GPT‑Live ei tue ääntä videon tai näytön jakamisen kanssa ChatGPT:ssä, mutta pyrimme tuomaan nämä ominaisuudet käyttöön pian. Voit edelleen käyttää ChatGPT Voicen vanhoja versioita, kuten Standard-tilaa ja Edistynyttä äänitilaa, silloin kun nämä ominaisuudet ovat saatavilla.