Ipinapakilala ang GPT‑Live

Inilulunsad namin ang GPT‑Live, isang bagong henerasyon ng mga modelo ng boses na nagpaparamdam na mas parang totoong pag-uusap ang pakikipag-usap sa AI.

Nakabatay ang GPT‑Live sa full-duplex architecture, ibig sabihin kaya nitong makinig at magsalita nang sabay. Sa mga pag-uusap, maipapakita ng GPT‑Live na nakikinig ito sa pamamagitan ng mga pariralang tulad ng “mhmm” o “oo,” makisabay sa mabilis na palitan, o manatiling tahimik lang kapag kailangan mo ng sandali para mag-isip. Ang resulta ay isang karanasan sa boses na tunay na madaling kausap.

Ang GPT‑Live din ang pinakamatalino naming modelo ng boses hanggang ngayon. Para sa mga tanong na nangangailangan ng web search, mas malalim na pangangatwiran, o mas kumplikadong gawain, ipinapasa nito sa aming pinakabagong frontier na modelo sa background at ibinabalik ang resulta sa pag-uusap kapag handa na. Habang gumagana ito, maaaring patuloy na makipag-usap sa iyo ang GPT‑Live at panatilihin ang daloy ng pag-uusap. Sa launch, gagamit ang GPT‑Live ng GPT‑5.5 sa background. Habang naglalabas kami ng mga bagong frontier na modelo, patuloy naming ia-update ang modelong ginagamit ng GPT‑Live.

Ang mga pagsulong na ito ang nagpapagana sa isang bagong karanasan sa ChatGPT Voice na mas matalino at mas natural gamitin. Sa paglipas ng panahon, naniniwala kaming bubuksan din ng pananaliksik na ito ang kakayahang gumamit ng boses para sa mas kumplikado, mas matagal, at mas agentic na gawain.

Sinisimulan na naming ilunsad ang dalawang bersiyon ng GPT‑Live – GPT‑Live‑1 at GPT‑Live‑1 mini – sa mga user ng ChatGPT sa buong mundo ngayon. Plano rin naming dalhin ang mga ito sa API sa lalong madaling panahon, at maaaring mag-sign up ang mga developer at enterprise para maabisuhan gamit ang form⁠ na ito.

Ang aming pananaw ay gawing posible ang tunay na natural na interaksyon ng tao at AI: isang mundong ang pakikipagtulungan sa AI ay kasinggaan at kasingbilis tumugon ng pakikipagtulungan sa ibang tao, habang tuloy-tuloy na nangyayari sa background ang pangangatwiran at pagsasagawa ng kumplikadong gawain.

Inilapit tayo ng mga mas lumang henerasyon ng voice AI system sa pananaw na iyon, ngunit may mahahalagang kapalit.

Umaasa ang mga cascaded voice system sa sunod-sunod na mga modelo na kumikilos nang paisa-isa para iproseso ang bawat turn. Pinagdugtong ng orihinal na ChatGPT Voice ang tatlong modelo: isang speech-to-text na modelo para i-transcribe ang iyong pananalita, isang large language model para gumawa ng tugon, at isang text-to-speech na modelo para ibalik ito sa pagsasalita. Dahil sa pamamaraang ito, nakausap natin ang mga frontier na modelo ng AI sa unang pagkakataon, ngunit may kapalit ang pagiging kumplikado nito: maaaring mawala ang impormasyon sa pagitan ng mga modelo, at mabagal at parang putol-putol ang mga tugon.

Ang mga turn-based na modelo ng boses tulad ng ChatGPT Advanced na Voice Mode ay nagproseso at gumawa ng audio sa loob ng iisang modelo, na nagpababa ng latency at nagpakinis ng mga pag-uusap — ngunit gumagana pa rin ang mga ito sa magkakahiwalay na turn. Kailangang hintayin ng modelo na huminto sa pagsasalita ang user bago tumugon, kaya nagiging matigas ang palitan. Dagdag pa rito, dahil nakabatay sa katahimikan ang turn detection, kahit maikling paghinto o ingay sa paligid ay maaaring mapagkamalang katapusan ng turn — na nagiging dahilan para sumingit ang modelo sa hindi natural na mga sandali.

Tinutugunan ng GPT‑Live ang mga limitasyong ito sa pamamagitan ng dalawang pagbabago sa arkitektura.

Una, ginawa namin ang GPT‑Live para sa tuloy-tuloy na interaksyon gamit ang full-duplex architecture. Sa halip na iproseso ang magkakasunod na hiwalay na mensahe, tuloy-tuloy na pinoproseso ng GPT‑Live ang input habang gumagawa ng output. Kaya maaaring gumawa ang modelo ng mga desisyon sa interaksyon nang maraming beses bawat segundo: kung magsasalita, patuloy na makikinig, hihinto sandali, sisingit, o gagamit ng tool.

Dahil dito, nagagawa ng modelo ang mas natural na palitan, mas maayos na pakiramdam sa oras, at maging ang live translation.

Ikalawa, pinaghiwalay namin ang GPT‑Live — na humahawak ng tuloy-tuloy na interaksyon — mula sa mas malalim na gawain. Kapag nangangailangan ang isang tanong ng paghahanap, pangangatwiran, o mas agentic na mga kakayahan, maaaring ipasa ng GPT‑Live ang gawain sa ibang modelo tulad ng GPT‑5.5. Dahil dito, napapanatili nito ang pag-uusap kahit habang humahawak ito ng maraming gawain sa background.

Dahil din sa pagbabagong ito sa arkitektura, tuloy-tuloy na magagamit ng GPT‑Live ang pinakabagong mga modelo at agent, pinagsasama ang frontier intelligence at natural na interaksyon.

Gumawa kami ng mga bagong human evaluation para sukatin ang pleasantness at daloy ng pag-uusap. Sa mga head-to-head na paghahambing na ito, mas malinaw na pinipili ang GPT‑Live‑1 at GPT‑Live‑1 mini kaysa sa Advanced na Voice Mode sa magkatugmang 5–10 minutong pag-uusap na sumusukat sa kabuuang kagustuhan, turn-taking, interruptions, daloy ng pag-uusap, at kung gaano kanatural ang bawat interaksyon.

• GPQA: Malaki ang lamang ng GPT‑Live‑1 sa Advanced na Voice Mode sa GPQA, na sumusuri ng pang-ekspertong siyentipikong pangangatwiran sa biology, chemistry, at physics.
• BrowseComp: Nagpapakita ang GPT‑Live‑1 ng malalaking pag-usad kumpara sa Advanced na Voice Mode sa BrowseComp, na sumusuri ng agentic na web search at kakayahang maghanap ng impormasyong mahirap matagpuan.
• τ³-Voice Telecom**: Mas mahusay ang GPT‑Live‑1 kaysa sa Advanced na Voice Mode sa τ³-Voice Telecom, na sumusuri ng mga voice agent sa makatotohanan at multi-turn na mga gawain sa telecom support.

Bawat linggo, mahigit 150 milyong tao ang nakikipag-usap sa ChatGPT gamit ang mga feature tulad ng Voice at Dictation. Ginagamit nila ito para makakuha ng pang-araw-araw na tulong nang hands-free, magpraktis ng mga wika, magkuwento bago matulog, o makipagkuwentuhan lang habang bumibiyahe.

Simula ngayon, kapag tina-tap mo ang Voice button para makipag-usap sa ChatGPT, makakakuha ka ng pinahusay na karanasang pinapagana ng GPT‑Live—na may mas natural na mga pag-uusap, mas matatalinong sagot, mas mahusay na pakikinig, at mga visual na tugon.

Mas mararamdaman na ngayon na parang totoong pag-uusap ang pakikipag-usap sa ChatGPT. Maaari kang sumingit ng tanong, huminto sandali para ayusin ang iniisip mo, o hilingin sa ChatGPT na bagalan ang pagsasalita. Natural nitong kinikilala ang sinasabi mo gamit ang mga pariralang tulad ng “mhmm” o “sige,” kaya alam mong nakakasunod ito. Ni-remaster din namin ang siyam na natatanging boses sa ChatGPT para sa GPT‑Live.

Makakagamit na ngayon ang ChatGPT Voice ng aming pinakabagong mga frontier na modelo, kaya makakakuha ka ng mas matatalinong sagot kapag kailangan mo. Maaari mo ring piliin ang antas ng pangangatwiran na akma sa iyong pangangailangan: Instant para sa mabilis na tugon, o Medium at High kapag gusto mong maglaan ang ChatGPT ng mas maraming oras sa pag-iisip.

Kung maglalaan ka ng sandali para mag-isip, maghihintay na ngayon ang ChatGPT Voice sa halip na agad sumingit at mang-abala. Kung hihilingin mong manatili itong tahimik at makinig, gagawin nito iyon. At kapag may ingay sa paligid, tulad ng dumaraang trapiko o mga usapan sa malapit, mas mahusay ang ChatGPT sa pagtutok sa boses mo sa halip na ma-distract.

Mas kapaki-pakinabang ang ilang sagot kapag nakikita mo ang mga ito. Habang nakikipag-usap ka, maaari na ngayong magpakita ang ChatGPT ng mayamang mga visual card para sa mga paksang tulad ng lagay ng panahon, stocks, sports, at iba pa. Patuloy ding sinusuportahan ng Voice ang paghahanap, memory, mga larawan, at pag-upload ng file.

Ang resulta ay isang karanasan sa ChatGPT Voice na mas natural, mas may kakayahan, at mas kapaki-pakinabang sa pang-araw-araw na buhay.

Idinisenyo ang GPT‑Live na maging ligtas bilang default. Binubuo ito mula sa mga pagsulong sa kaligtasan ng aming pinakabagong mga modelo, habang nagdaragdag ng nakatuong pagsasanay sa kaligtasan sa mahahalagang larangan ng panganib at mga bagong proteksyong partikular na idinisenyo para sa boses.

Para mas maipakita kung paano ginagamit ng mga tao ang boses sa totoong buhay, nagsimula kami sa pagpapalawak ng aming pagsusuri sa kaligtasan para isama ang mga bagong audio-native na evaluation. Gumawa rin kami ng mga synthetic evaluation na gumagamit ng generated audio para mas masusing pagtuunan ang mahahalagang larangan ng kaligtasan, batay sa natutuhan namin mula sa advanced na voice mode. Kabilang sa mga larangang iyon ang pananakit sa sarili, psychosis at mania, emosyonal na pagdepende sa AI, karahasan, at sekswal na content. Ni-red-team din ng mga internal na eksperto ang modelo para sa mga panganib na natatangi sa boses.

Sa aming pagsusuri, halos kapantay o mas mahusay ang performance ng GPT‑Live kaysa sa Advanced na Voice Mode sa halos lahat ng larangang sinuri namin. Maaari kang magbasa pa tungkol sa aming pagsusuri at mga proteksyon sa GPT‑Live card ng system⁠(magbubukas sa bagong window).

Dahil nangyayari nang real time ang mga pag-uusap sa boses, gumawa rin kami ng mga proteksyong maaaring kumilos habang nagsasalita ang modelo. Kapag naka-detect ang system ng posibleng hindi ligtas na output, maaari nitong gabayan ang modelo tungo sa mas ligtas na tugon, magpakita ng karagdagang mensahe o resource sa kaligtasan, o tapusin ang pag-uusap sa boses sa mga kasong mas mataas ang panganib. Para sa mga pag-uusap na may kinalaman sa pananakit sa sarili, iniangkop namin para sa boses ang mga support flow ng ChatGPT, kabilang ang pag-aalok ng crisis helpline support na sinuri ng mga eksperto.

Nagdisenyo kami ng karagdagang mga proteksyon para suportahan ang mga teen user, at direktang sinanay sa modelo ang pag-uugaling angkop sa edad para mabawasan ang panganib ng hindi naaangkop na mga tugon. Maaaring piliin ng mga magulang kung magagamit ng kanilang teen ang ChatGPT Voice sa pamamagitan ng Kontrol ng Magulang, at maaaring maabisuhan ang mga naka-link na magulang sa mga sitwasyong mas mataas ang panganib na may mga palatandaan ng posibleng pananakit sa sarili o intensiyong magpakamatay.

Naglulunsad din kami ng mas pangmatagalang pagsukat at post-launch monitoring na nakatuon sa emosyonal na pagdepende para patuloy na pagbutihin ang aming pag-unawa at pinuhin ang mga proteksyon. Batay sa aming naunang pananaliksik tungkol sa affective use at emosyonal na well-being, makakatulong ito sa amin na tukuyin ang mga umuusbong na pattern at pagbutihin kung paano tumutugon ang system sa mga emosyonal na sensitibong pakikipag-ugnayan.

Panghuli, idinisenyo ang GPT‑Live para sa pag-uusap, hindi para sa paggaya ng boses. Gumagamit ito ng isang set ng mga predefined na boses sa ChatGPT, na may mga proteksyon para pigilan itong gayahin ang boses ng isang totoong tao.

Nakatuon kami sa pagsuporta sa kaligtasan at well-being, at patuloy naming palalakasin ang mga proteksyong ito habang natututo kami mula sa paggamit sa totoong mundo.

Inilulunsad na ngayon ang GPT‑Live sa mga user ng ChatGPT sa buong mundo sa iOS, Android, at ChatGPT.com⁠(magbubukas sa bagong window). Magiging default na modelo ang GPT‑Live‑1 na magpapagana sa ChatGPT Voice para sa mga user ng Go, Plus, at Pro, at magiging default naman ang GPT‑Live‑1 mini para sa mga Free user. Makikita ang higit pang detalye tungkol sa availability sa aming Help Center⁠(magbubukas sa bagong window).

In-optimize namin ang GPT‑Live para sa ilan sa mga pinakasikat na wika sa ChatGPT. Para sa ilang wika, maaaring magkaroon ang modelo ng accent na hindi native o mga puwang sa fluency. Aktibo kaming nagtatrabaho para mapahusay ang karanasan sa iba’t ibang wika.

Sa launch, hindi susuportahan ng GPT‑Live ang boses na may video o screen sharing sa ChatGPT, pero nagtatrabaho kami para maipakilala ang mga kakayahang ito sa lalong madaling panahon. Maa-access mo pa rin ang mga legacy na bersiyon ng ChatGPT Voice, kabilang ang Standard at Advanced na Voice Mode, kung saan available ang mga feature na ito.