Bevezetjük a GPT‑Live‑1-et az API-ban, így a fejlesztők egy hatékony, természetes hang modell kapnak hangalapú alkalmazások és üzleti munkafolyamatok létrehozásához. Először a ChatGPT‑ben jelent meg, a GPT‑Live‑1 egyszerre képes figyelni és beszélni, és ahogy a Codex és a ChatGPT Work esetében is látható(új ablakban nyílik meg), a mélyebb érvelést és a műveleteket a hozzá társított modellekre és eszközökre bízhatja.
A GPT‑Live‑1 API-s kiadásakor olyan új funkciókra összpontosítottunk, amelyekkel a fejlesztők a felhasználóikhoz, munkafolyamataikhoz és céljaikhoz igazíthatják és testre szabhatják a hangalapú élményt. A GPT‑Live‑1 egyik fő erőssége, a közbevágások gördülékeny kezelése már üzleti hatást is gyakorol: a korai értékelések során a Speak azt tapasztalta, hogy a GPT‑Live‑1 több időt adott a tanulóknak a gondolkodásra, mielőtt a nyelvtanár válaszolt volna, és a korábbi, beszélőváltás-alapú rendszerekhez képest közel 80%-kal csökkentette a közbevágásokat.
A GPT‑Live‑1 fő erősségei az API-ban:
Megszakítások kezelése: Egyetlen modell a beérkező és kimenő hang együttes értelmezésével javítja a megszakítások kezelését, elkerülve a láncolt STT–LLM–TTS-architektúrák késleltetését és megbízhatatlan átadásait.
Érvelés és eszközhívások delegálása: A GPT‑Live‑1 az érvelést és az eszközhívásokat egy háttérszövegmodellre, például a GPT‑6 Astrára vagy egy külső modellre bízhatja.
Hangnem, tempó és stílus: A fejlesztők a rendszerutasítással alakíthatják az ügynök hangnemét, tempóját és társalgási stílusát.
Csendes kontextuskezelés és háttérzaj: Hatékonyabban kezeli a háttérzajt és a csendet anélkül, hogy megszakítaná a beszélgetést vagy hangosan elmondana minden lépést.
Megbízhatóság hosszú munkamenetek során: Hosszabb interakciókban is javítja a kontextus megőrzését és a beszélgetés minőségét.
Telefonos támogatás: Lehetővé teszi teljes duplex hangügynökök bevetését telefonhívásokhoz, az éttermi asztalfoglalástól az ügyfélszolgálatig.
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.
Ez a demó időkorlátos. A használatával elfogadod az OpenAI feltételeit, és tudomásul veszed adatvédelmi irányelveinket.
A hagyományos hangügynökök a beszédfelismerést, egy érvelési modellt és a beszédszintézist kapcsolják össze. Minden átadás növeli a késleltetést, és több lehetőséget teremt az időzítés, a kontextus vagy a beszélgetés természetes ritmusának elvesztésére. E szakaszok összehangolása gyakran a fejlesztőkre marad, beleértve annak kezelését is, ha valaki közbevág, szünetet tart vagy irányt vált.
A GPT‑Live‑1 egyetlen modellben kezeli a figyelést és a beszédet, leegyszerűsítve a hangréteget. Azonnal reagálhat a közbevágásokra és visszajelzésekre, miközben a mélyebb érvelést a háttérrendszerre bízza. Így a beszélgetés akkor is folytatódhat, amikor a háttérben munka zajlik.
A fejlesztők választják ki a beszélgetés mögötti modelleket, eszközöket és ügynöki végrehajtási környezetet. A GPT‑Live‑1 például egy Luna-szerű modellel párosítható a nagy volumenű feladatokhoz, például időpont-egyeztetéshez vagy rendelések állapotfrissítéséhez, az érvelést igénylő összetett ügyfélproblémákhoz pedig Astra-szerű modell használható. E rugalmasság révén a fejlesztők az egyes feladatokhoz igazíthatják az érvelés mélységét, a sebességet és a költségeket.
A GPT‑Live‑1 natívan biztosít ASR-átiratokat és szöveges válaszokat. Emellett kiválóan értelmezi az alfanumerikus tartalmakat, és támogatja a kulcsszavak előnyben részesítését. Bár a GPT‑Live‑1 nem beszélőváltás-alapú modell, natívan támogatja a beszélőváltások észlelését, így a fejlesztők továbbra is építhetnek explicit beszélőváltási határokra.
Értékeléseinkben a GPT‑Live‑1 30 százalékponttal javítja a Full Duplex Bench teljesítményét a GPT‑Realtime‑2.1-hez képest, jelentős javulással a beszélőváltási késleltetés és az interaktív működés terén. A GPT‑6 Astrával közepes érvelési ráfordítás mellett párosítva a Tau3 teszten is első helyen áll, amely a végpontok közötti feladatokon az élvonalbeli hangügynökök intelligenciáját méri.
A légiközlekedési, kiskereskedelmi és telekommunikációs domainekben végzett hangalapú ügyfélszolgálati feladatokat értékeli. A Pass@1 a feladat sikerességét méri; a főcím minden domaint azonos súllyal vesz figyelembe.
* GPT Live backend: Astra (Közepes).
A beszélt nyelvű banki ügyféltámogatást tudáslekéréssel és számlaeszközökkel értékeli. A Pass@1 a sikeresen teljesített 97 banking_knowledge feladat hányada.
* GPT Live backend: Astra (Közepes).
Értékeli a szünetek kezelését, a megszólalási körök kezelését, a közbevágásokat és a visszajelzéseket.
Teszteli a háttérben zajló beszédre, a másik személyhez intézett beszédre, a hallgatói visszajelzésekre és a félbeszakításokra adott reakciókat.
Azt méri, milyen gyorsan kezdi el az ügynök a válaszát, miután a felhasználó befejezi a megszólalását.
A természetes szüneteket, hezitálásokat és önjavításokat tartalmazó beszélt kérésekből származó eszközhasználatot teszteli. A Pass@1 az eszközhívási sorrendet értékeli.
* GPT Live háttérrendszer: Terra (alacsony).
Értékeli az eszközhasználatot igénylő, szüneteket, hezitálásokat és önjavításokat tartalmazó kérésekre adott beszélt választ. Azt pontozza, hogy a válasz mennyire felel meg a hivatkozási szándéknak.
* GPT Live háttérrendszer: Terra (alacsony).
A fejlesztőknek olyan hangokra van szükségük, amelyek illenek a termékükhöz, és természetesen szólnak a felhasználók számára. A GPT‑Live‑1 révén a valós idejű hangok szűk választékát akcentusok, nyelvjárások és nyelvek szélesebb körével bővítjük, így a fejlesztők jobban meghatározhatják, hogyan szólaljanak meg asszisztenseik.
A következő hónapokban tovább bővítjük a hangok és az elérhető nyelvek körét.
A GPT‑Live‑1 már elérhető az API-ban(új ablakban nyílik meg), a fehasználó-oldali hangréteg díja percenként 0,05 USD. Párosítsa a termékéhez illő háttérmodellel és ügynöki végrehajtási környezettel, majd hozzon létre olyan hangalapú élményt, amely a feladatokkal együtt skálázható.
Az egyéni hanghoz való hozzáférés jogosultsági feltételeiről és igénylési folyamatáról értékesítési csapatunktól kérhet tájékoztatást.
A GPT‑Live‑1‑re épülő hangalapú munkafolyamatok létrehozásának másik módja az OpenAI Presence, amely a modellt valós idejű hanginterakciók működtetésére használja. A Presence segít a vállalatoknak megbízható AI-ügynököket bevezetni, amelyek kérdésekre válaszolnak, problémákat oldanak meg, vállalati rendszereket használnak, jóváhagyott műveleteket hajtanak végre, és szükség esetén emberhez továbbítják. További információért forduljon OpenAI-fiókkezelőjéhez.
