GPT‑Live का परिचय

हम GPT‑Live लॉन्च कर रहे हैं, जो वॉइस मॉडल की नई पीढ़ी है और AI से बात करना वास्तविक बातचीत जैसा कहीं अधिक महसूस कराती है.

GPT‑Live फुल-डुप्लेक्स आर्किटेक्चर पर बना है, यानी यह एक ही समय में सुन और बोल सकता है. बातचीत के दौरान, GPT‑Live “हूँ-हूँ” या “हाँ” जैसे वाक्यांशों से दिखा सकता है कि वह ध्यान दे रहा है, तेज़ी से आगे-पीछे की बातचीत में शामिल हो सकता है, या जब आपको सोचने के लिए पल भर चाहिए हो तो चुप रह सकता है. नतीजा एक ऐसा वॉइस अनुभव है जिससे बात करना बेहद सहज लगता है.

GPT‑Live अब तक का हमारा सबसे स्मार्ट वॉइस मॉडल भी है. जिन सवालों के लिए वेब खोज, गहरी रीज़निंग या अधिक जटिल काम चाहिए, उनके लिए यह पर्दे के पीछे हमारे नवीनतम अत्याधुनिक मॉडल को काम सौंपता है और नतीजा तैयार होने पर बातचीत में वापस ले आता है. काम करते समय भी, GPT‑Live आपसे बात जारी रख सकता है और बातचीत का प्रवाह बनाए रख सकता है. लॉन्च के समय, GPT‑Live पृष्ठभूमि में GPT‑5.5 का उपयोग करेगा. जैसे-जैसे हम नए अत्याधुनिक मॉडल जारी करेंगे, हम GPT‑Live द्वारा उपयोग किए जाने वाले मॉडल को लगातार अपडेट करेंगे.

ये प्रगति एक नए ChatGPT वॉइस अनुभव को सक्षम बनाती हैं, जो उपयोग में अधिक बुद्धिमान और स्वाभाविक है. समय के साथ, हमें विश्वास है कि यह शोध वॉइस का उपयोग लगातार अधिक जटिल, लंबे समय तक चलने वाले और अधिक एजेंटिक कामों के लिए करने की क्षमता भी खोलेगा.

आज से हम GPT‑Live के दो संस्करण – GPT‑Live‑1 और GPT‑Live‑1 mini – दुनिया भर के ChatGPT उपयोगकर्ताओं के लिए उपलब्ध कराना शुरू कर रहे हैं. हम इन्हें जल्द ही API में लाने की भी योजना बना रहे हैं, और डेवलपर व उद्यम इस फ़ॉर्म⁠ का उपयोग करके सूचना पाने के लिए साइन अप कर सकते हैं.

हमारा विज़न सचमुच स्वाभाविक मानव–AI इंटरैक्शन सक्षम करना है: एक ऐसी दुनिया, जहाँ AI के साथ सहयोग करना किसी दूसरे व्यक्ति के साथ काम करने जितना सहज और प्रतिक्रियाशील लगे, जबकि रीज़निंग और जटिल कार्य-निष्पादन बिना रुकावट पृष्ठभूमि में होता रहे.

वॉइस AI सिस्टम की पुरानी पीढ़ियों ने हमें उस विज़न के करीब पहुंचाया, लेकिन उनमें महत्वपूर्ण समझौते थे.

कैस्केडेड वॉइस सिस्टम हर टर्न को प्रोसेस करने के लिए एक के बाद एक काम करने वाले मॉडल की श्रृंखला पर निर्भर करते हैं. मूल ChatGPT वॉइस ने तीन मॉडल को एक साथ जोड़ा: आपकी बोली को पाठ में बदलने के लिए वाणी-से-पाठ मॉडल, जवाब बनाने के लिए विशाल भाषा मॉडल, और उसे फिर से आवाज़ में बदलने के लिए पाठ-से-वाणी मॉडल. इस तरीके ने हमें पहली बार अत्याधुनिक AI मॉडल से बात करने में सक्षम बनाया, लेकिन इसकी जटिलता की कीमत चुकानी पड़ी: मॉडल के बीच जानकारी खो सकती थी, और जवाब धीमे व अटपटे थे.

ChatGPT एडवांस्ड वॉइस मोड जैसे टर्न-आधारित वॉइस मॉडल एक ही मॉडल के भीतर ऑडियो को प्रोसेस और जनरेट करते थे, जिससे विलंबता कम हुई और बातचीत अधिक सहज बनी — लेकिन वे अब भी अलग-अलग टर्न के ज़रिए काम करते थे. मॉडल को जवाब देने से पहले उपयोगकर्ता के बोलना बंद करने का इंतज़ार करना पड़ता था, जिससे आगे-पीछे की बातचीत कठोर हो जाती थी. इसके अलावा, क्योंकि टर्न पहचान मौन पर आधारित होती है, थोड़े-से विराम या पृष्ठभूमि के शोर को भी टर्न का अंत समझा जा सकता था — जिससे मॉडल अस्वाभाविक समय पर बीच में बोल पड़ता था.

GPT‑Live इन सीमाओं को दो आर्किटेक्चरल बदलावों के ज़रिए हल करता है.

सबसे पहले, हमने GPT‑Live को फुल-डुप्लेक्स आर्किटेक्चर का उपयोग करके निरंतर इंटरैक्शन के लिए बनाया. अलग-अलग संदेशों की श्रृंखला को प्रोसेस करने के बजाय, GPT‑Live आउटपुट जनरेट करते हुए इनपुट को लगातार प्रोसेस करता है. इसलिए मॉडल प्रति सेकंड कई बार इंटरैक्शन से जुड़े निर्णय ले सकता है: बोलना है, सुनते रहना है, रुकना है, बीच में बोलना है या किसी टूल को चलाना है.

इससे मॉडल अधिक स्वाभाविक आगे-पीछे की बातचीत कर सकता है, समय की बेहतर समझ बनाए रख सकता है, और लाइव अनुवाद भी कर सकता है.

दूसरा, हमने GPT‑Live — जो निरंतर इंटरैक्शन संभालता है — को गहन काम से अलग कर दिया. जब किसी सवाल के लिए खोज, रीज़निंग या अधिक एजेंटिक क्षमताएँ चाहिए होती हैं, तो GPT‑Live वह काम GPT‑5.5 जैसे दूसरे मॉडल को सौंप सकता है. इससे वह बातचीत जारी रख सकता है, भले ही वह पृष्ठभूमि में कई काम संभाल रहा हो.

यह आर्किटेक्चरल बदलाव GPT‑Live को नवीनतम मॉडल और एजेंटों का लगातार उपयोग करने की सुविधा भी देता है, जिससे अत्याधुनिक बुद्धिमत्ता और स्वाभाविक इंटरैक्शन साथ आते हैं.

हमने सुखद अनुभव और बातचीत के प्रवाह को मापने के लिए नए मानव-आधारित मूल्यांकन बनाए. इन आमने-सामने की तुलनाओं में, कुल पसंद, टर्न लेने, व्यवधानों, बातचीत के प्रवाह और हर इंटरैक्शन के स्वाभाविक लगने को मापने वाली समान 5–10 मिनट की बातचीत में GPT‑Live‑1 और GPT‑Live‑1 mini को एडवांस्ड वॉइस मोड की तुलना में बहुत अधिक पसंद किया गया.

• GPQA: GPT‑Live‑1, GPQA पर एडवांस्ड वॉइस मोड से काफी बेहतर प्रदर्शन करता है, जो जीवविज्ञान, रसायन विज्ञान और भौतिकी में विशेषज्ञ-स्तर की वैज्ञानिक रीज़निंग का परीक्षण करता है.
• BrowseComp: GPT‑Live‑1, BrowseComp पर एडवांस्ड वॉइस मोड की तुलना में मजबूत बढ़त दिखाता है, जो एजेंटिक वेब खोज और मुश्किल से मिलने वाली जानकारी खोजने की क्षमता का परीक्षण करता है.
• τ³-Voice Telecom (आंतरिक वैरिएंट)**: GPT‑Live‑1, τ³-Voice Telecom पर एडवांस्ड वॉइस मोड से बेहतर प्रदर्शन करता है, जो वास्तविक, मल्टी-टर्न टेलीकॉम सहायता कार्यों में वॉइस एजेंटों का परीक्षण करता है.

हर सप्ताह 15 करोड़ से अधिक लोग वॉइस और डिक्टेशन जैसी सुविधाओं का उपयोग करके ChatGPT से बात करते हैं. वे इसका उपयोग हाथों से मुक्त रोज़मर्रा की मदद पाने, भाषाओं का अभ्यास करने, सोने से पहले कहानियां सुनाने या सफ़र के दौरान बस बातचीत करने के लिए करते हैं.

आज से, जब आप ChatGPT से बात करने के लिए वॉइस बटन पर टैप करेंगे, तो आपको GPT‑Live से संचालित बेहतर अनुभव मिलेगा, जिसमें अधिक स्वाभाविक बातचीत, अधिक स्मार्ट उत्तर, बेहतर सुनने की क्षमता और विज़ुअल प्रतिक्रियाएं शामिल हैं.

ChatGPT से बात करना अब वास्तविक बातचीत जैसा अधिक महसूस होना चाहिए. आप किसी सवाल के साथ बीच में बोल सकते हैं, अपने विचार समेटने के लिए रुक सकते हैं या ChatGPT से धीरे बोलने को कह सकते हैं. यह आपकी बात को स्वाभाविक रूप से “हम्म” या “समझ गया” जैसे वाक्यांशों से स्वीकार करता है, ताकि आपको पता रहे कि यह साथ-साथ समझ रहा है. हमने GPT‑Live के लिए ChatGPT की नौ अलग-अलग आवाज़ों को भी रीमास्टर किया है.

ChatGPT वॉइस अब हमारे नवीनतम अत्याधुनिक मॉडल का उपयोग कर सकता है, ताकि ज़रूरत पड़ने पर आपको अधिक स्मार्ट उत्तर मिलें. आप अपनी ज़रूरत के अनुसार रीज़निंग का स्तर भी चुन सकते हैं: तेज़ प्रतिक्रियाओं के लिए Instant, या जब आप चाहते हैं कि ChatGPT सोचने में अधिक समय लगाए, तो Medium और High.

अगर आप सोचने के लिए थोड़ा समय लेते हैं, तो ChatGPT वॉइस अब बीच में कूदकर बाधा डालने के बजाय इंतज़ार करता है. अगर आप इसे चुप रहकर सुनने को कहेंगे, तो यह वैसा ही करेगा. और जब पृष्ठभूमि में शोर हो, जैसे गुजरता ट्रैफ़िक या आस-पास की बातचीत, तो ChatGPT ध्यान भटकने के बजाय आपकी आवाज़ पर बेहतर तरीके से ध्यान केंद्रित करता है.

कुछ उत्तर तब अधिक उपयोगी होते हैं जब आप उन्हें देख सकें. जब आप बात कर रहे हों, ChatGPT अब मौसम, शेयर, खेल और अन्य विषयों के लिए समृद्ध विज़ुअल कार्ड दिखा सकता है. वॉइस खोज, मेमोरी, इमेज और फ़ाइल अपलोड का समर्थन भी जारी रखता है.

इसका परिणाम एक ऐसा ChatGPT वॉइस अनुभव है जो रोज़मर्रा की ज़िंदगी में अधिक स्वाभाविक, अधिक सक्षम और अधिक उपयोगी महसूस होता है.

GPT‑Live को डिफ़ॉल्ट रूप से सुरक्षित होने के लिए डिज़ाइन किया गया था. यह हमारे नवीनतम मॉडल से मिली सुरक्षा प्रगति पर आधारित है और साथ ही प्रमुख जोखिम क्षेत्रों में समर्पित सुरक्षा प्रशिक्षण तथा खास तौर पर वॉइस के लिए डिज़ाइन किए गए नए सुरक्षा उपाय जोड़ता है.

लोग वास्तविक परिस्थितियों में वॉइस का उपयोग कैसे करते हैं, इसे बेहतर ढंग से दिखाने के लिए हमने अपनी सुरक्षा परीक्षण प्रक्रिया में नए ऑडियो-नेटिव मूल्यांकन शामिल करके शुरुआत की. हमने एडवांस्ड वॉइस मोड से मिली सीख के आधार पर, जनरेट किए गए ऑडियो का उपयोग करने वाले सिंथेटिक मूल्यांकन भी बनाए, ताकि प्रमुख सुरक्षा क्षेत्रों पर अधिक गहराई से ध्यान दिया जा सके. इन क्षेत्रों में आत्म-हानि, साइकोसिस और मैनिया, AI पर भावनात्मक निर्भरता, हिंसा और यौन सामग्री शामिल हैं. आंतरिक विशेषज्ञों ने वॉइस के लिए विशिष्ट जोखिमों को लेकर मॉडल की रेड-टीमिंग भी की.

हमारे परीक्षणों में, GPT‑Live ने हमारे द्वारा मूल्यांकित लगभग सभी क्षेत्रों में एडवांस्ड वॉइस मोड के बराबर या उससे बेहतर प्रदर्शन किया. आप हमारे परीक्षण और सुरक्षा उपायों के बारे में GPT‑Live सिस्टम कार्ड⁠(एक नई विंडो में खुलेगा) में और पढ़ सकते हैं.

क्योंकि वॉइस कन्वर्सेशन्स रीयल टाइम में आगे बढ़ती हैं, हमने ऐसे सुरक्षा उपाय भी बनाए हैं जो मॉडल के बोलते समय काम कर सकते हैं. जब सिस्टम संभावित रूप से असुरक्षित आउटपुट का पता लगाता है, तो यह मॉडल को अधिक सुरक्षित प्रतिक्रिया की ओर ले जा सकता है, अतिरिक्त सुरक्षा संदेश या संसाधन दिखा सकता है, या अधिक जोखिम वाले मामलों में वॉइस कन्वर्सेशन समाप्त कर सकता है. आत्म-हानि से जुड़ी बातचीत के लिए, हमने ChatGPT के सपोर्ट फ़्लो को वॉइस के अनुकूल बनाया, जिसमें विशेषज्ञों द्वारा परखी गई संकट हेल्पलाइन सहायता की पेशकश भी शामिल है.

हमने किशोर उपयोगकर्ताओं को सहारा देने के लिए अतिरिक्त सुरक्षाएं डिज़ाइन कीं और अनुपयुक्त प्रतिक्रियाओं के जोखिम को कम करने के लिए आयु-उपयुक्त व्यवहार को सीधे मॉडल में प्रशिक्षित किया. माता-पिता पेरेंटल कंट्रोल के ज़रिए चुन सकते हैं कि उनका किशोर ChatGPT वॉइस का उपयोग कर सकता है या नहीं, और संभावित आत्म-हानि या आत्महत्या के इरादे के संकेतों वाली अधिक जोखिमपूर्ण स्थितियों में लिंक किए गए माता-पिता को सूचना दी जा सकती है.

हम भावनात्मक निर्भरता पर केंद्रित दीर्घकालिक मापन और लॉन्च के बाद निगरानी भी शुरू कर रहे हैं, ताकि अपनी समझ को बेहतर बनाते रहें और सुरक्षा उपायों को और परिष्कृत कर सकें. भावनात्मक उपयोग और भावनात्मक कल्याण पर हमारे पिछले शोध के आधार पर, यह हमें उभरते पैटर्न पहचानने और भावनात्मक रूप से संवेदनशील इंटरैक्शन में सिस्टम की प्रतिक्रिया को बेहतर बनाने में मदद करेगा.

अंत में, GPT‑Live को बातचीत के लिए डिज़ाइन किया गया है, आवाज़ की नकल के लिए नहीं. यह ChatGPT में पहले से तय आवाज़ों के एक सेट का उपयोग करता है, साथ ही ऐसे सुरक्षा उपायों के साथ जो इसे किसी वास्तविक व्यक्ति की आवाज़ की नकल करने से रोकते हैं.

हम सुरक्षा और कल्याण का समर्थन करने के लिए प्रतिबद्ध हैं और वास्तविक उपयोग से सीखते हुए इन सुरक्षाओं को और मजबूत करते रहेंगे.

GPT‑Live अब iOS, Android और ChatGPT.com⁠(एक नई विंडो में खुलेगा) पर दुनिया भर के ChatGPT उपयोगकर्ताओं के लिए रोल आउट हो रहा है. GPT‑Live‑1 Go, Plus और Pro उपयोगकर्ताओं के लिए ChatGPT वॉइस को संचालित करने वाला डिफ़ॉल्ट मॉडल बन जाएगा, और GPT‑Live‑1 mini Free उपयोगकर्ताओं के लिए डिफ़ॉल्ट बन जाएगा. उपलब्धता की अधिक जानकारी हमारे हेल्प सेंटर⁠(एक नई विंडो में खुलेगा) में मिल सकती है.

हमने GPT‑Live को ChatGPT की कुछ सबसे लोकप्रिय भाषाओं के लिए अनुकूलित किया है. कुछ भाषाओं के लिए, मॉडल में गैर-मूल वक्ता जैसा उच्चारण या प्रवाह में कमियां हो सकती हैं. हम भाषाओं में अनुभव को बेहतर बनाने पर सक्रिय रूप से काम कर रहे हैं.

लॉन्च के समय, GPT‑Live ChatGPT में वीडियो या स्क्रीन शेयरिंग के साथ वॉइस का समर्थन नहीं करेगा, लेकिन हम जल्द ही ये क्षमताएं पेश करने पर काम कर रहे हैं. आप अब भी ChatGPT वॉइस के पुराने संस्करणों तक पहुंच सकते हैं, जिनमें Standard और एडवांस्ड वॉइस मोड शामिल हैं, जहां ये सुविधाएं उपलब्ध हैं.