GPT‑Live નો પરિચય

અમે GPT‑Live લોન્ચ કરી રહ્યા છીએ, જે વૉઇસ મોડલની નવી પેઢી છે અને AI સાથે વાત કરવાનું ખરેખર વાતચીત કરવા જેવું વધુ સ્વાભાવિક બનાવે છે.

GPT‑Live ફુલ-ડ્યુપ્લેક્સ આર્કિટેક્ચર પર બનાવાયું છે, એટલે કે તે એક જ સમયે સાંભળી અને બોલી શકે છે. વાતચીત દરમિયાન, GPT‑Live “હમ્મ” અથવા “હા” જેવા શબ્દોથી બતાવી શકે છે કે તે ધ્યાન આપી રહ્યું છે, ઝડપથી આગળ-પાછળ વાત કરી શકે છે અથવા જ્યારે તમને વિચારવા માટે ક્ષણ જોઈએ ત્યારે શાંત રહી શકે છે. પરિણામે એવો વૉઇસ અનુભવ મળે છે જે સાથે વાત કરવી આશ્ચર્યજનક રીતે સરળ લાગે છે.

GPT‑Live અત્યાર સુધીનું અમારું સૌથી સ્માર્ટ વૉઇસ મોડલ પણ છે. જ્યારે પ્રશ્નો માટે વેબ શોધ, ઊંડું રિઝનિંગ અથવા વધુ જટિલ કામ જરૂરી હોય, ત્યારે તે પડદા પાછળ અમારા નવીનતમ અત્યાધુનિક મોડલને કામ સોંપે છે અને પરિણામ તૈયાર થાય ત્યારે તેને વાતચીતમાં પાછું લાવે છે. જ્યારે તે કામ કરે છે, ત્યારે GPT‑Live તમારી સાથે વાત ચાલુ રાખી શકે છે અને વાતચીતનો પ્રવાહ જાળવી શકે છે. લોન્ચ સમયે, GPT‑Live બૅકગ્રાઉન્ડમાં GPT‑5.5 નો ઉપયોગ કરશે. જેમ જેમ અમે નવા અત્યાધુનિક મોડલ રજૂ કરીશું, તેમ અમે GPT‑Live દ્વારા ઉપયોગમાં લેવાતા મોડલને સતત અપડેટ કરીશું.

આ પ્રગતિઓ એક નવા ChatGPT વૉઇસ અનુભવને સંચાલિત કરે છે જે ઉપયોગમાં વધુ બુદ્ધિશાળી અને સ્વાભાવિક છે. સમય જતાં, અમારું માનવું છે કે આ સંશોધન વધુને વધુ જટિલ, લાંબા સમય સુધી ચાલતા અને વધુ એજન્ટિક કાર્યો માટે વૉઇસનો ઉપયોગ કરવાની ક્ષમતાને પણ શક્ય બનાવશે.

અમે આજે વિશ્વભરના ChatGPT વપરાશકર્તાઓ માટે GPT‑Live ના બે વર્ઝન – GPT‑Live‑1 અને GPT‑Live‑1 mini – રજૂ કરવાનું શરૂ કરી રહ્યા છીએ. અમે તેમને ટૂંક સમયમાં API માં લાવવાની પણ યોજના ધરાવીએ છીએ અને ડેવલપર્સ તથા એન્ટરપ્રાઇઝ આ ફોર્મ⁠નો ઉપયોગ કરીને સૂચના મેળવવા માટે સાઇન અપ કરી શકે છે.

અમારું વિઝન ખરેખર સ્વાભાવિક માનવ–AI ક્રિયાપ્રતિક્રિયા શક્ય બનાવવાનું છે: એક એવી દુનિયા જ્યાં AI સાથે સહયોગ કરવાનું એટલું જ સરળ અને પ્રતિભાવશીલ લાગે જેટલું અન્ય કોઈ વ્યક્તિ સાથે કામ કરવાનું, જ્યારે તર્ક અને જટિલ કાર્યોનો અમલ બૅકગ્રાઉન્ડમાં સહજતાથી થતો રહે.

વૉઇસ AI સિસ્ટમ્સની અગાઉની પેઢીઓ આપણને તે વિઝનની વધુ નજીક લાવી હતી, પરંતુ કેટલીક મહત્વપૂર્ણ બાંધછોડ સાથે.

શ્રેણીબદ્ધ વૉઇસ સિસ્ટમ્સ દરેક વારા પર પ્રક્રિયા કરવા માટે એક પછી એક કાર્ય કરતા મોડલ્સની શ્રેણી પર આધાર રાખે છે. મૂળ ChatGPT વૉઇસ માં ત્રણ મોડલ્સને એકસાથે સાંકળવામાં આવ્યા હતા. તમારી વાણીનું લિપ્યંતરણ કરવા માટે સ્પીચ-ટુ-ટેક્સ્ટ મોડલ, પ્રતિસાદ બનાવવા માટે લાર્જ લેંગ્વેજ મોડલ અને તેને ફરી વાણીમાં ફેરવવા માટે ટેક્સ્ટ-ટુ-સ્પીચ મોડલ. આ અભિગમે અમને પ્રથમ વખત અત્યાધુનિક AI મોડલ સાથે વાત કરવા માટે સક્ષમ બનાવ્યા, પરંતુ આ જટિલતાની એક કિંમત ચૂકવવી પડી: મોડલ્સ વચ્ચે માહિતી ખોવાઈ જવાની શક્યતા રહેતી અને પ્રતિસાદો ધીમા તેમજ અસ્વાભાવિક હતા.

ChatGPT એડવાન્સ્ડ વૉઇસ મોડ જેવા વારા-આધારિત વૉઇસ મોડલ્સ એક જ મોડલની અંદર ઑડિયો પર પ્રક્રિયા કરતા અને તેને જનરેટ કરતા હતા, જેનાથી વિલંબ ઓછો થતો અને વાતચીત વધુ સરળ બનતી હતી—પરંતુ તેઓ હજુ પણ અલગ-અલગ વારા પ્રમાણે કામ કરતા હતા. મોડલને પ્રતિસાદ આપતા પહેલા વપરાશકર્તાના બોલવાનું બંધ કરવાની રાહ જોવી પડતી હતી, જેના પરિણામે વાતચીત કઠોર બની જતી હતી. વધુમાં, વારાની ઓળખ મૌન પર આધારિત હોવાથી, એક નાના વિરામ અથવા બૅકગ્રાઉન્ડના અવાજને પણ વારાનો અંત સમજી લેવાની ભૂલ થઈ શકતી હતી—જેના કારણે મોડલ અસ્વાભાવિક સમયે વિક્ષેપ પાડતું હતું.

GPT‑Live બે આર્કિટેક્ચરલ ફેરફારો દ્વારા આ મર્યાદાઓને દૂર કરે છે.

પ્રથમ, અમે ફુલ-ડ્યુપ્લેક્સ આર્કિટેક્ચરનો ઉપયોગ કરીને સતત ક્રિયાપ્રતિક્રિયા માટે GPT‑Live બનાવ્યું. અલગ-અલગ સંદેશાઓની શ્રેણી પર પ્રક્રિયા કરવાને બદલે, GPT‑Live આઉટપુટ જનરેટ કરતી વખતે સતત ઇનપુટ પ્રક્રિયા કરે છે. તેથી મોડલ પ્રતિ સેકન્ડમાં ઘણી વખત આંતરક્રિયાના નિર્ણયો લઈ શકે છે: બોલવું, સાંભળવાનું ચાલુ રાખવું, અટકવું, વચ્ચે બોલવું અથવા કોઈ ટૂલનો ઉપયોગ કરવો.

આ મોડલને વધુ કુદરતી આગળ-પાછળની વાતચીતમાં જોડાવા, સમયની વધુ સારી સમજ જાળવવા અને લાઇવ અનુવાદ પણ કરવાની સગવડ આપે છે.

બીજું, અમે GPT‑Live ને — જે સતત આંતરક્રિયા સંભાળે છે — સઘન કાર્યથી અલગ કર્યું છે. જ્યારે કોઈ પ્રશ્ન માટે શોધ, તર્ક અથવા વધુ એજન્ટિક ક્ષમતાઓ જરૂરી હોય, ત્યારે GPT‑Live તે કાર્ય GPT‑5.5 જેવા બીજા મોડલને સોંપી શકે છે. આથી તે બૅકગ્રાઉન્ડમાં અનેક કાર્યો સંભાળતું હોવા છતાં વાતચીત ચાલુ રાખી શકે છે.

આ આર્કિટેક્ચરલ ફેરફાર GPT‑Live ને નવીનતમ મોડલ અને એજન્ટનો સતત ઉપયોગ કરવાની સગવડ પણ આપે છે, જેથી અત્યાધુનિક ઇન્ટેલિજન્સ અને સ્વાભાવિક ક્રિયાપ્રતિક્રિયા સાથે જોડાઈ શકે.

અમે આનંદદાયકતા અને વાતચીતના પ્રવાહને માપવા નવા માનવીય મૂલ્યાંકનો વિકસાવ્યા છે. આ સામસામેની તુલનાઓમાં, GPT‑Live‑1 અને GPT‑Live‑1 mini ને એડવાન્સ્ડ વૉઇસ મોડ કરતાં ખૂબ વધુ પસંદ કરવામાં આવે છે, સમાન 5–10 મિનિટની વાતચીતોમાં જ્યાં કુલ પસંદગી, વારો લેવો, વચ્ચે બોલવું, વાતચીતનો પ્રવાહ અને દરેક ક્રિયાપ્રતિક્રિયા કેટલી સ્વાભાવિક લાગી તે માપવામાં આવે છે.

• GPQA: GPT‑Live‑1 GPQA પર એડવાન્સ્ડ વૉઇસ મોડ કરતાં નોંધપાત્ર રીતે આગળ છે; GPQA જીવવિજ્ઞાન, રસાયણવિજ્ઞાન અને ભૌતિકવિજ્ઞાનમાં નિષ્ણાત-સ્તરના વૈજ્ઞાનિક રિઝનિંગનું પરીક્ષણ કરે છે.
• BrowseComp: GPT‑Live‑1 એ BrowseComp પર એડવાન્સ્ડ વૉઇસ મોડની સરખામણીમાં નોંધપાત્ર સુધારો દર્શાવે છે; BrowseComp એજન્ટિક વેબ શોધ અને શોધવામાં મુશ્કેલ માહિતી શોધવાની ક્ષમતા ચકાસે છે.
• τ³-Voice Telecom (આંતરિક વેરિઅન્ટ)**: GPT‑Live‑1, τ³-Voice Telecom પર એડવાન્સ્ડ વૉઇસ મોડ કરતાં આગળ છે, જે વાસ્તવિક, મલ્ટિ-ટર્ન ટેલિકોમ સપોર્ટ કાર્યો પર વૉઇસ એજન્ટોને ટેસ્ટ કરે છે.

દર અઠવાડિયે, 150 મિલિયનથી વધુ લોકો વૉઇસ અને ડિક્ટેશન જેવી સુવિધાઓનો ઉપયોગ કરીને ChatGPT સાથે વાત કરે છે. તેઓ તેનો ઉપયોગ હાથ વિના રોજિંદી મદદ મેળવવા, ભાષાઓની પ્રેક્ટિસ કરવા, સૂતા પહેલાંની વાર્તાઓ કહેવા અથવા તેમની મુસાફરી દરમિયાન માત્ર વાતચીત કરવા માટે કરે છે.

આજથી, જ્યારે તમે ChatGPT સાથે વાત કરવા માટે વૉઇસ બટન પર ટૅપ કરશો, ત્યારે તમને GPT‑Live દ્વારા સંચાલિત સુધારેલો અનુભવ મળશે—વધુ સ્વાભાવિક વાતચીતો, વધુ સ્માર્ટ જવાબો, વધુ સારી રીતે સાંભળવાની ક્ષમતા અને વિઝ્યુઅલ પ્રતિસાદો સાથે.

ChatGPT સાથે વાત કરવી હવે સાચી વાતચીત જેવી વધુ લાગવી જોઈએ. તમે પ્રશ્ન પૂછીને અધવચ્ચે અટકાવી શકો છો, વિચારો ગોઠવવા થોભી શકો છો અથવા ChatGPT ને ધીમું બોલવા કહી શકો છો. તમે જે કહો છો તેને તે સ્વાભાવિક રીતે “હમ્મ” અથવા “સમજાયું” જેવા શબ્દસમૂહોથી સમર્થન આપે છે, જેથી તમને ખબર પડે કે તે ધ્યાનથી સાંભળી રહ્યું છે. અમે GPT‑Live માટે ChatGPT માં નવ અલગ અવાજોને પણ રિમાસ્ટર કર્યા છે.

ChatGPT વૉઇસ હવે અમારા નવીનતમ અત્યાધુનિક મોડલનો ઉપયોગ કરી શકે છે, જેથી જરૂર પડે ત્યારે તમને વધુ સ્માર્ટ જવાબો મળે. તમે તમારી જરૂરિયાત પ્રમાણે રિઝનિંગનું સ્તર પણ પસંદ કરી શકો છો: ઝડપી પ્રતિસાદો માટે Instant અથવા જ્યારે તમે ChatGPT ને વિચારવા માટે વધુ સમય આપવા માંગો ત્યારે Medium અને High.

જો તમે વિચારવા માટે થોડો સમય લો છો, તો અધવચ્ચે બોલવા અને અટકાવવાને બદલે ChatGPT વૉઇસ હવે રાહ જુએ છે. જો તમે તેને શાંત રહીને સાંભળવાનું કહો, તો તે એમ જ કરશે. અને જ્યારે પસાર થતો ટ્રાફિક અથવા નજીકની વાતચીતો જેવો બેકગ્રાઉન્ડ ઘોંઘાટ હોય, ત્યારે વિચલિત થવાને બદલે ChatGPT તમારા અવાજ પર ધ્યાન કેન્દ્રિત કરવામાં વધુ સારું છે.

કેટલાક જવાબો જ્યારે તમે તેને જોઈ શકો ત્યારે વધુ ઉપયોગી હોય છે. તમે વાત કરી રહ્યા હો ત્યારે ChatGPT હવે હવામાન, સ્ટૉક્સ, રમતગમત અને વધુ જેવા વિષયો માટે સમૃદ્ધ વિઝ્યુઅલ કાર્ડ્સ બતાવી શકે છે. વૉઇસ શોધ, મેમરી, છબીઓ અને ફાઇલ અપલોડ્સને સપોર્ટ કરવાનું પણ ચાલુ રાખે છે.

પરિણામે ChatGPT વૉઇસનો એવો અનુભવ મળે છે જે રોજિંદા જીવનમાં વધુ સ્વાભાવિક, વધુ સક્ષમ અને વધુ ઉપયોગી લાગે છે.

GPT‑Live ને મૂળભૂત રીતે સલામત રહે તે રીતે ડિઝાઇન કરવામાં આવ્યું હતું. તે અમારા નવીનતમ મોડલમાંથી મળેલી સલામતીની પ્રગતિ પર આધારિત છે, સાથે સાથે મુખ્ય જોખમ વિસ્તારોમાં વિશેષ સલામતી તાલીમ અને ખાસ કરીને વૉઇસ માટે ડિઝાઇન કરવામાં આવેલા નવા સુરક્ષા ઉપાયો ઉમેરવામાં આવ્યા છે.

વાસ્તવિક જીવનની પરિસ્થિતિઓમાં લોકો વૉઇસનો ઉપયોગ કેવી રીતે કરે છે તે વધુ સારી રીતે દર્શાવવા માટે, અમે નવા ઑડિઓ-નેટિવ મૂલ્યાંકનોનો સમાવેશ કરવા માટે અમારા સુરક્ષા પરીક્ષણને વિસ્તૃત કરવાની શરૂઆત કરી. અમે જનરેટેડ ઑડિયોનો ઉપયોગ કરતા કૃત્રિમ મૂલ્યાંકનો પણ બનાવ્યા, જેથી એડવાન્સ્ડ વૉઇસ મોડમાંથી શીખેલી બાબતોના આધારે મુખ્ય સલામતી ક્ષેત્રો પર વધુ ઊંડાણથી ધ્યાન આપી શકાય. આ ક્ષેત્રોમાં સ્વ-નુકસાન, મનોવિકૃતિ અને મેનિયા, AI પર ભાવનાત્મક નિર્ભરતા, હિંસા અને યૌન સામગ્રીનો સમાવેશ થાય છે. આંતરિક નિષ્ણાતોએ વૉઇસ માટે અનન્ય જોખમો અંગે મોડલનું રેડ-ટીમિંગ પણ કર્યું.

અમારા પરીક્ષણમાં, અમે મૂલ્યાંકન કરેલા લગભગ તમામ ક્ષેત્રોમાં GPT‑Live નું પ્રદર્શન એડવાન્સ્ડ વૉઇસ મોડ જેટલું અથવા તેનાથી વધુ સારું રહ્યું. અમારા પરીક્ષણ અને સેફગાર્ડ્સ વિશે વધુ માહિતી તમે GPT‑Live સિસ્ટમ કાર્ડ⁠(નવી વિન્ડોમાં ખૂલે છે)માં વાંચી શકો છો.

વોઇસ કન્વર્સેશન્સ રિયલ ટાઇમમાં આગળ વધે છે, તેથી અમે એવા સેફગાર્ડ્સ પણ બનાવ્યા છે જે મોડલ બોલી રહ્યું હોય ત્યારે કાર્ય કરી શકે છે. જ્યારે સિસ્ટમ સંભવિત રીતે અસુરક્ષિત આઉટપુટ શોધે છે, ત્યારે તે મોડલને વધુ સુરક્ષિત પ્રતિસાદ તરફ દોરી શકે છે, વધારાના સલામતી સંદેશા અથવા સંસાધનો બતાવી શકે છે અથવા વધુ જોખમી કિસ્સાઓમાં વોઇસ કન્વર્સેશન્સ સમાપ્ત કરી શકે છે. સ્વ-નુકસાન સંબંધિત વાતચીતો માટે, અમે ChatGPT ના સપોર્ટ ફ્લોઝને વૉઇસ માટે અનુકૂળ બનાવ્યા છે, જેમાં નિષ્ણાતો દ્વારા ચકાસાયેલી સંકટ હેલ્પલાઇન સહાય આપવાનો સમાવેશ થાય છે.

અમે કિશોર વયના વપરાશકર્તાઓને ટેકો આપવા વધારાની સુરક્ષાઓ ડિઝાઇન કરી અને અયોગ્ય પ્રતિસાદોના જોખમને ઘટાડવા માટે મોડલમાં સીધું વય-યોગ્ય વર્તન તાલીમબદ્ધ કર્યું. માતાપિતા પેરેન્ટલ કંટ્રોલ્સ દ્વારા તેમના કિશોર ChatGPT વૉઇસનો ઉપયોગ કરી શકે કે નહીં તે પસંદ કરી શકે છે અને સંભવિત સ્વ-નુકસાન અથવા આત્મહત્યાના ઇરાદાના સંકેતો ધરાવતી વધુ જોખમી પરિસ્થિતિઓમાં જોડાયેલા માતાપિતાને સૂચિત કરવામાં આવી શકે છે.

અમે અમારી સમજણને સતત બહેતર બનાવવા અને સુરક્ષા ઉપાયોને સુધારવા માટે ભાવનાત્મક નિર્ભરતા પર કેન્દ્રિત લાંબા ગાળાનું માપન અને લોન્ચ પછીનું મોનિટરિંગ પણ શરૂ કરી રહ્યા છીએ. ભાવનાત્મક ઉપયોગ અને ભાવનાત્મક સુખાકારી અંગેના અમારા અગાઉના સંશોધન પર આધાર રાખીને, આ અમને ઊભરી રહેલી પેટર્ન ઓળખવામાં અને ભાવનાત્મક રીતે સંવેદનશીલ ક્રિયાપ્રતિક્રિયાઓમાં સિસ્ટમ કેવી રીતે પ્રતિસાદ આપે છે તે સુધારવામાં મદદ કરશે.

છેલ્લે, GPT‑Live વાતચીત માટે ડિઝાઇન કરવામાં આવ્યું છે, અવાજની નકલ માટે નહીં. તે ChatGPT માં પૂર્વનિર્ધારિત અવાજોના સમૂહનો ઉપયોગ કરે છે અને તેમાં કોઈ વાસ્તવિક વ્યક્તિના અવાજની નકલ અટકાવવા માટે સેફગાર્ડ્સ છે.

અમે સલામતી અને સુખાકારીને ટેકો આપવા પ્રતિબદ્ધ છીએ અને વાસ્તવિક ઉપયોગમાંથી શીખતા રહીને આ સુરક્ષાઓને વધુ મજબૂત બનાવતા રહીશું.

GPT‑Live હવે વૈશ્વિક સ્તરે iOS, Android અને ChatGPT.com⁠(નવી વિન્ડોમાં ખૂલે છે) પર ChatGPT વપરાશકર્તાઓ માટે રજૂ થઈ રહ્યું છે. GPT‑Live‑1 Go, Plus અને Pro વપરાશકર્તાઓ માટે ChatGPT વૉઇસને સંચાલિત કરતું ડિફૉલ્ટ મોડલ બનશે અને GPT‑Live‑1 mini ફ્રી વપરાશકર્તાઓ માટે ડિફૉલ્ટ બનશે. ઉપલબ્ધતા વિશે વધુ વિગતો અમારા હેલ્પ સેન્ટર⁠(નવી વિન્ડોમાં ખૂલે છે)માં મળી શકે છે.

અમે GPT‑Live ને ChatGPT માંની કેટલીક સૌથી લોકપ્રિય ભાષાઓ માટે ઑપ્ટિમાઇઝ કર્યું છે. કેટલીક ભાષાઓમાં, મોડલમાં સ્થાનિક ન હોય એવો ઉચ્ચાર અથવા પ્રવાહિતામાં ખામીઓ હોઈ શકે છે. અમે ભાષાઓમાં અનુભવ સુધારવા સક્રિય રીતે કામ કરી રહ્યા છીએ.

લોન્ચ સમયે, GPT‑Live ChatGPT માં વીડિયો અથવા સ્ક્રીન શેરિંગ સાથે વૉઇસને સપોર્ટ નહીં કરે, પરંતુ અમે આ ક્ષમતાઓ ટૂંક સમયમાં રજૂ કરવા પર કામ કરી રહ્યા છીએ. તમે હજુ પણ સ્ટાન્ડર્ડ અને એડવાન્સ્ડ વૉઇસ મોડ સહિત ChatGPT વૉઇસના જૂના વર્ઝનને ઍક્સેસ કરી શકો છો, જ્યાં આ સુવિધાઓ ઉપલબ્ધ છે.