અમે APIમાં GPT‑Live‑1 લોન્ચ કરી રહ્યા છીએ, જે વિકાસકર્તાઓને અવાજ-સક્ષમ એપ્લિકેશનો અને વ્યવસાયિક વર્કફ્લો બનાવવા માટે શક્તિશાળી, સ્વાભાવિક અવાજ મોડલ આપે છે. સૌપ્રથમ ChatGPTમાં રજૂ કરવામાં આવેલું, GPT‑Live‑1 એકસાથે સાંભળી અને બોલી શકે છે તથા, Codex અને ChatGPT કામમાં જોયું હતું તેમ(નવી વિન્ડોમાં ખૂલે છે), તેની સાથે જોડાયેલા મોડલ અને ટૂલને ઊંડું રિઝનિંગ અને ક્રિયાઓ સોંપી શકે છે.
GPT‑Live‑1ના API પ્રકાશન માટે અમે એવી નવી ક્ષમતાઓ પર ધ્યાન આપ્યું છે, જે વિકાસકર્તાઓને તેમના વપરાશકર્તાઓ, વર્કફ્લો અને લક્ષ્યોને અનુરૂપ વોઇસ અનુભવોને નિયંત્રિત અને કસ્ટમાઇઝ કરવા દે છે. વિક્ષેપોને સરળતાથી સંભાળવાની ક્ષમતા એ GPT‑Live‑1ની મુખ્ય શક્તિ છે જે પહેલાંથી જ વ્યાવસાયિક અસર પહોંચાડી રહી છે: પ્રારંભિક મૂલ્યાંકનમાં Speakએ જોયું કે GPT‑Live‑1એ ભાષા ટ્યૂટર પ્રતિભાવ આપે તે પહેલાં શીખનારાઓને વિચારવા માટે વધુ સમય આપ્યો અને અગાઉની વારાફરતી પ્રણાલીઓની સરખામણીમાં વિક્ષેપો લગભગ 80% ઘટાડ્યા.
APIમાં GPT‑Live‑1ની મુખ્ય શક્તિઓ:
વિક્ષેપ સંચાલન: આવતા અને જતા ઑડિયો પર એકસાથે રિઝનિંગ કરતા એક જ મોડલ દ્વારા વિક્ષેપ સંચાલન સુધારે છે, જેથી શ્રેણીબદ્ધ STT–LLM–TTS આર્કિટેક્ચરની વિલંબતા અને અસ્થિર હેન્ડઓફ ટળે છે.
રિઝનિંગ અને ટૂલ કૉલિંગ ડેલિગેશન: GPT‑Live‑1 રિઝનિંગ અને ટૂલ કૉલને GPT‑6 Astra જેવા બૅકએન્ડ ટેક્સ્ટ મોડલ અથવા તૃતીય-પક્ષ મોડલને સોંપી શકે છે.
સ્વર, ગતિ અને શૈલી: વિકાસકર્તાઓને સિસ્ટમ પ્રોમ્પ્ટ દ્વારા એજન્ટનો સ્વર, ગતિ અને સંવાદશૈલી ઘડવા દે છે.
મૌન સંદર્ભ સંચાલન અને પૃષ્ઠભૂમિનો અવાજ: વાતચીતમાં વિક્ષેપ પાડ્યા કે દરેક પગલું મોટેથી વર્ણવ્યા વિના પૃષ્ઠભૂમિના અવાજ અને મૌનને વધુ સારી રીતે સંભાળે છે.
લાંબા સત્રની વિશ્વસનીયતા: લાંબી ક્રિયાપ્રતિક્રિયાઓ દરમિયાન સંદર્ભ જાળવવાની ક્ષમતા અને સંવાદની ગુણવત્તા સુધારે છે.
ટેલિફોની સમર્થન: રેસ્ટોરાં આરક્ષણથી લઈને ગ્રાહક સહાય સુધીના ફોન કૉલ માટે પૂર્ણ-દ્વિમાર્ગી અવાજ એજન્ટ તૈનાત કરવાનું શક્ય બનાવે છે.
Try GPT-Live-1
See what it can do
- Talk over it—naturally. Ask for help, then interrupt mid-response to change the question or add detail.
- Take it with you. Try a conversation while walking outside or with everyday background noise, and see how it stays with you.
- Make it playful. Laugh, hesitate, use short acknowledgments, or briefly talk to someone nearby—then continue the conversation.
આ ડેમો સમય-મર્યાદિત છે. તેનો ઉપયોગ કરીને, તમે OpenAI ની શરતો સાથે સંમત થાઓ છો અને અમારી પ્રાઇવસી પોલિસી સ્વીકારો છો.
પરંપરાગત અવાજ એજન્ટ વાણી-થી-લખાણ, রিজনিং মডেল અને લખાણ-થી-વાણીને જોડે છે. દરેક હસ્તાંતરણ વિલંબ વધારે છે અને સમયસૂચકતા, સંદર્ભ અથવા વાતચીતની સ્વાભાવિક લય ખોવાઈ જવાની વધુ શક્યતાઓ ઊભી કરે છે. કોઈ વ્યક્તિ વચ્ચે બોલે, વિરામ લે કે દિશા બદલે ત્યારે શું કરવું તે સહિત આ તબક્કાઓનું સંકલન ઘણી વાર વિકાસકર્તાઓએ જ કરવું પડે છે.
GPT‑Live‑1 એક જ મોડલમાં સાંભળવા અને બોલવાનું સંભાળીને અવાજ સ્તરને સરળ બનાવે છે. તે વિક્ષેપો અને સ્વીકૃતિના સંકેતો આવે ત્યારે જ પ્રતિસાદ આપી શકે છે અને ઊંડું રિઝનિંગ બૅકએન્ડને સોંપી શકે છે. આથી બૅકગ્રાઉન્ડમાં કામ ચાલુ હોય ત્યારે પણ વાતચીત આગળ વધી શકે છે.
વિકાસકર્તાઓ વાતચીત પાછળનાં મોડલ, સાધનો અને એજન્ટ કાર્યપ્રણાલી પસંદ કરે છે. ઉદાહરણ તરીકે, તેઓ સમયનિર્ધારણ અથવા ઑર્ડરના સુધારા જેવા મોટા પ્રમાણના કાર્યો માટે GPT‑Live‑1ને Luna જેવા મોડલ સાથે જોડી શકે છે અને રિજનિંગ જરૂરી હોય તેવી જટિલ ગ્રાહક સમસ્યાઓ માટે Astra જેવા મોડલનો ઉપયોગ કરી શકે છે. આ લવચીકતાથી વિકાસકર્તાઓ દરેક કાર્યને યોગ્ય રિજનિંગની ઊંડાઈ, ઝડપ અને ખર્ચ સાથે જોડી શકે છે.
GPT‑Live‑1 મૂળભૂત રીતે ASR ટ્રાન્સક્રિપ્ટ અને પ્રતિભાવનું લખાણ આપે છે. તે અક્ષરો અને અંકોની મજબૂત સમજ પણ આપે છે તથા મુખ્ય શબ્દોને પ્રાધાન્ય આપવાનું સમર્થન કરે છે. GPT‑Live‑1 ટર્ન-બેઝ્ડ મોડલ ન હોવા છતાં, તે મૂળભૂત રીતે વારો ઓળખવાનું સમર્થન કરે છે, તેથી વિકાસકર્તાઓ સ્પષ્ટ વારાની સીમાઓને આધારે નિર્માણ ચાલુ રાખી શકે છે.
અમારા મૂલ્યાંકનોમાં, GPT‑Live‑1 વારો લેવાની લેટન્સી અને ઇન્ટરેક્ટિવ વર્તનમાં મોટા સુધારા સાથે GPT‑Realtime‑2.1ની સરખામણીએ પૂર્ણ દ્વીમાર્ગી બેંચનું પ્રદર્શન 30 ટકા પોઇન્ટ જેટલું સુધારે છે. મીડિયમ રિઝનિંગ-પ્રયાસ પર GPT‑6 Astra સાથે જોડી બનાવવાથી, તે શરૂઆતથી અંત સુધીનાં કાર્યો પર અત્યાધુનિક વોઇસ-એજન્ટ ઇન્ટેલિજન્સ માપતા Tau3 પર પણ #1 ક્રમે આવે છે.
એરલાઇન, રિટેલ અને ટેલિકોમ ડોમેનમાં બોલીને કરવામાં આવતા ગ્રાહક-સેવા કાર્યોનું મૂલ્યાંકન કરે છે. Pass@1 કાર્યની સફળતા માપે છે; હેડલાઇન દરેક ડોમેનને સમાન મહત્વ આપે છે.
* GPT Live બૅકએન્ડ: Astra (મીડિયમ).
જ્ઞાન પુનઃપ્રાપ્તિ અને એકાઉન્ટ ટૂલ સાથેની બોલીને આપવામાં આવતી બેંકિંગ સહાયનું મૂલ્યાંકન કરે છે. Pass@1 એ સફળતાપૂર્વક પૂર્ણ થયેલ 97 banking_knowledge કાર્યોનો અંશ છે.
* GPT Live બૅકએન્ડ: Astra (મીડિયમ).
વિરામોનું સંચાલન, વાતચીતમાં વારો લેવો, વિક્ષેપો અને બેકચેનલોનું મૂલ્યાંકન કરે છે.
બૅકગ્રાઉન્ડમાં થતી વાણી, અન્ય વ્યક્તિ સાથેની વાતચીત, સાંભળનારની બેકચેનલો અને વિક્ષેપો પ્રત્યેની પ્રતિક્રિયાઓનું પરીક્ષણ કરે છે.
વપરાશકર્તા એક વારો પૂર્ણ કર્યા પછી એજન્ટ કેટલા ઝડપથી તેનો જવાબ શરૂ કરે છે તે માપે છે.
સ્વાભાવિક વિરામો, ખચકાટો અને સ્વ-સુધારાઓ ધરાવતી બોલેલી વિનંતીઓમાંથી ટૂલના ઉપયોગનું પરીક્ષણ કરે છે. Pass@1 ટૂલ-કૉલ ક્રમને સ્કોર કરે છે.
* GPT Live બેકએન્ડ: Terra (નીચું).
વિરામો, ખચકાટ અને સ્વ-સુધારાઓ ધરાવતા ટૂલનો ઉપયોગ કરતી વિનંતીઓના બોલાયેલા જવાબનું મૂલ્યાંકન કરે છે. જવાબ સંદર્ભના આશય સાથે કેટલો મેળ ખાય છે તે સ્કોર કરે છે.
* GPT Live બેકએન્ડ: Terra (નીચું).
વિકાસકર્તાઓને તેમના ઉત્પાદનને અનુરૂપ અને વપરાશકર્તાઓને સ્વાભાવિક લાગે એવા અવાજોની જરૂર છે. GPT‑Live‑1 સાથે અમે રિયલ-ટાઇમ અવાજોના નાના સમૂહને વિસ્તારીને વિવિધ ઉચ્ચારો, બોલીઓ અને ભાષાઓના વધુ વિકલ્પો આપી રહ્યા છીએ, જેથી વિકાસકર્તાઓ તેમના સહાયકોના અવાજ પર વધુ પસંદગી મેળવી શકે.
આગામી મહિનાઓમાં અમે અવાજના વિકલ્પો અને ઉપલબ્ધ ભાષાઓનો વિસ્તાર કરતા રહીશું.
GPT‑Live‑1 ફ્રન્ટ-એન્ડ અવાજ સ્તર માટે પ્રતિ મિનિટ $0.05ના દરે આજે APIમાં(નવી વિન્ડોમાં ખૂલે છે) ઉપલબ્ધ છે. તેને તમારા ઉત્પાદનને અનુરૂપ બૅકએન્ડ મોડલ અને એજન્ટ કાર્યપ્રણાલી સાથે જોડો, પછી એવો વોઇસ અનુભવ બનાવો જે જરૂર મુજબ કામ સાથે વિસ્તરી શકે.
કસ્ટમ વોઇસની ઍક્સેસ માટે પાત્રતા અને વિનંતીની પ્રક્રિયા વિશે વધુ જાણવા સેલ્સ વિભાગનો સંપર્ક કરો.
GPT‑Live‑1માં ઉપર વોઇસ વર્કફ્લો બનાવવાની બીજી રીત OpenAI Presence છે, જે રિયલ-ટાઇમ વોઇસ ઇન્ટરેક્શનને શક્તિ આપવા માટે મોડલનો ઉપયોગ કરે છે. Presence એન્ટરપ્રાઇઝને વિશ્વસનીય AI એજન્ટો ડિપ્લોય કરવામાં મદદ કરે છે, જેથી તેઓ પ્રશ્નોના જવાબ આપી શકે, સમસ્યાઓ ઉકેલી શકે, કંપનીની સિસ્ટમોનો ઉપયોગ કરી શકે, મંજૂર કરેલી કાર્યવાહી કરી શકે અને જરૂર પડે ત્યારે લોકો સુધી મામલો પહોંચાડી શકે. વધુ જાણવા તમારા OpenAI એકાઉન્ટ ડાયરેક્ટરનો સંપર્ક કરો.
