Bemutatjuk a GPT‑Live‑ot

Frissítés – 2026. július 31.: A ChatGPT Hangon és az OpenAI API-n keresztül, GPT‑Live‑val létrehozott támogatott hanganyagok mostantól SynthID-vízjelezést tartalmaznak. Nyilvános ellenőrző eszközünk mostantól képes észlelni az OpenAI-eredetre utaló jeleket a támogatott hangfájlokban, és API-hozzáférést is bevezettünk az ellenőrzéshez, hogy a fejlesztők és a szervezetek beépíthessék az eredet-ellenőrzéseket a saját munkafolyamataikba. Ezek a frissítések az alább ismertetett biztonsági megközelítésre és arra a szélesebb körű munkánkra épülnek, amelynek célja, hogy az OpenAI által generált tartalmak könnyebben azonosíthatók legyenek.

Bemutatjuk a GPT‑Live‑ot, a hangmodellek új generációját, amelynek köszönhetően az AI-val való beszélgetés sokkal inkább valódi beszélgetésnek érződik.

A GPT‑Live full-duplex architektúrára épül, vagyis egyszerre tud figyelni és beszélni. Beszélgetés közben a GPT‑Live az olyan visszajelzésekkel, mint az „ühüm” vagy az „aha”, jelezheti, hogy figyel, gyorsan reagálhat, vagy egyszerűen csendben maradhat, ha szükséged van egy pillanatra a gondolkodáshoz. Az eredmény egy olyan hangélmény, amellyel üdítően könnyű beszélgetni.

A GPT‑Live egyben az eddigi legokosabb hangmodellünk is. Azoknál a kérdéseknél, amelyek webes keresést, mélyebb érvelést vagy összetettebb munkát igényelnek, a háttérben átadja a feladatot a legújabb élvonalbeli modellünknek, majd amikor elkészült, visszahozza az eredményt a beszélgetésbe. Miközben dolgozik, a GPT‑Live tovább tud beszélgetni veled, és fenn tudja tartani a beszélgetés folyamatosságát. Induláskor a GPT‑Live a háttérben a GPT‑5.5‑öt fogja használni. Ahogy új élvonalbeli modelleket adunk ki, folyamatosan frissítjük a GPT‑Live által használt modellt.

Ezek a fejlesztések egy új, intelligensebb és természetesebben használható ChatGPT Hang-élményt tesznek lehetővé. Úgy gondoljuk, hogy idővel ez a kutatás azt is lehetővé teszi majd, hogy a hangot egyre összetettebb, hosszabb ideig futó és ügynöki jellegű munkafolyamatokhoz használjuk.

Ma megkezdjük a GPT‑Live két verziójának – a GPT‑Live‑1 és a GPT‑Live‑1 mini – globális bevezetését a ChatGPT‑felhasználók számára. Terveink szerint hamarosan az API-ban is elérhetővé tesszük őket; a fejlesztők és a vállalatok ezen az űrlapon⁠ iratkozhatnak fel az értesítésre.

A célunk az igazán természetes ember–AI interakció megteremtése: egy olyan világé, ahol az AI-val való együttműködés ugyanolyan gördülékenynek és gyorsan reagálónak érződik, mint amikor egy másik emberrel dolgozunk, miközben az érvelés és az összetett feladatok végrehajtása zökkenőmentesen a háttérben zajlik.

A hangalapú AI-rendszerek korábbi generációi közelebb vittek minket ehhez a vízióhoz, de fontos kompromisszumokkal jártak.

A kaszkádos hangrendszerek több, egymás után működő modellre támaszkodnak az egyes megszólalási körök feldolgozásához. Az eredeti ChatGPT Hang három modellt kapcsolt össze: egy beszédfelismerő modellt, amely átírta a beszédet szöveggé, egy nagy nyelvi modellt, amely választ készített, és egy szövegfelolvasó modellt, amely ezt visszaalakította beszéddé. Ez a megközelítés tette először lehetővé, hogy élvonalbeli AI-modellekkel beszélgessünk, de az összetettségnek ára volt: az információ elveszhetett a modellek között, a válaszok pedig lassúak és döcögősek voltak.

Az olyan körökre osztott hangmodellek, mint a ChatGPT speciális hang mód, egyetlen modellen belül dolgozták fel és generálták a hangot, csökkentve a késleltetést és gördülékenyebbé téve a beszélgetéseket — de továbbra is különálló körökben működtek. A modellnek meg kellett várnia, amíg a felhasználó abbahagyja a beszédet, mielőtt válaszolhatott volna, ami merev oda-vissza párbeszédet eredményezett. Emellett, mivel a megszólalási kör észlelése a csend alapján történik, akár egy rövid szünetet vagy háttérzajt is a kör végének lehetett értelmezni — emiatt a modell természetellenes pillanatokban szakíthatta félbe a felhasználót.

A GPT‑Live két architekturális változtatással kezeli ezeket a korlátokat.

Először is a GPT‑Live‑ot folyamatos interakcióra terveztük, full-duplex architektúrával. A különálló üzenetek sorozatának feldolgozása helyett a GPT‑Live folyamatosan dolgozza fel a bemenetet, miközben kimenetet generál. A modell így másodpercenként sokszor tud dönteni az interakcióról: beszéljen-e, tovább figyeljen-e, szünetet tartson-e, közbevágjon-e, vagy meghívjon-e egy eszközt.

Ez lehetővé teszi, hogy a modell természetesebb párbeszédet folytasson, jobban érzékelje az időzítést, sőt akár élő fordítást is végezzen.

Másodszor, szétválasztottuk a folyamatos interakciót kezelő GPT‑Live‑ot a mélyebb munkától. Ha egy kérdés keresést, érvelést vagy erősebb ügynöki képességeket igényel, a GPT‑Live átadhatja a feladatot egy másik modellnek, például a GPT‑5.5‑nek. Így akkor is fenn tudja tartani a beszélgetést, amikor közben több feladatot kezel a háttérben.

Ez az architekturális változtatás azt is lehetővé teszi, hogy a GPT‑Live folyamatosan a legújabb modelleket és ügynököket használja, ötvözve az élvonalbeli intelligenciát a természetes interakcióval.

Új emberi értékeléseket hoztunk létre annak mérésére, mennyire kellemes és gördülékeny a beszélgetés. Ezekben a közvetlen összehasonlításokban a GPT‑Live‑1‑et és a GPT‑Live‑1 minit egyértelműen előnyben részesítik a speciális hang móddal szemben az egymáshoz illesztett, 5–10 perces beszélgetésekben, amelyek az általános preferenciát, a megszólalási körök kezelését, a közbevágásokat, a beszélgetés folyamatát és az egyes interakciók természetességét mérik.

• GPQA: a GPT‑Live‑1 jelentősen felülmúlja a speciális hang módot a GPQA-n, amely szakértői szintű tudományos érvelést tesztel biológiában, kémiában és fizikában.
• BrowseComp: a GPT‑Live‑1 jelentős javulást mutat a speciális hang módhoz képest a BrowseComp teszten, amely az ügynöki jellegű webes keresést és a nehezen megtalálható információk felkutatásának képességét méri.
• τ³-Voice Telecom (belső változat)**: A GPT‑Live‑1 felülmúlja a speciális hang módot a τ³-Voice Telecom feladaton, amely a hangügynököket valósághű, többfordulós telekommunikációs támogatási feladatokon teszteli.

Hetente több mint 150 millióan beszélnek a ChatGPT‑vel olyan funkciókkal, mint a Hang és a Diktálás. Használják kéz nélküli mindennapi segítségre, nyelvgyakorlásra, esti mesékhez, vagy egyszerűen csak beszélgetésre ingázás közben.

Mától, amikor a Hang gombra koppintva beszélgetsz a ChatGPT‑vel, a GPT‑Live által működtetett, továbbfejlesztett élményt kapsz: természetesebb beszélgetéseket, okosabb válaszokat, jobb figyelmet és vizuális válaszokat.

A ChatGPT‑vel való beszélgetésnek mostantól sokkal inkább valódi beszélgetés érzését kell keltenie. Közbevághatsz egy kérdéssel, tarthatsz szünetet, hogy összeszedd a gondolataidat, vagy megkérheted a ChatGPT‑t, hogy lassítson. Természetesen jelzi, hogy figyel arra, amit mondasz, például olyan kifejezésekkel, mint a „mhmm” vagy az „értem”, így tudod, hogy követi a beszélgetést. A ChatGPT kilenc különböző hangját is újramasztereltük a GPT‑Live‑hoz.

A ChatGPT Hang mostantól a legújabb élvonalbeli modelljeinkre is támaszkodhat, így okosabb válaszokat adhat, amikor szükséged van rájuk. Kiválaszthatod az igényeidhez illő érvelési szintet is: az Instant gyors válaszokhoz, a Medium és a High pedig akkor, ha szeretnéd, hogy a ChatGPT több időt töltsön gondolkodással.

Ha időre van szükséged a gondolkodáshoz, a ChatGPT Hang most már vár, ahelyett hogy közbevágna és megszakítana. Ha megkéred, hogy maradjon csendben és figyeljen, így is tesz. Ha pedig háttérzaj van, például elhaladó forgalom vagy közeli beszélgetések, a ChatGPT jobban tud a hangodra összpontosítani, és kevésbé zavarodik meg.

Egyes válaszok hasznosabbak, ha látni is lehet őket. Beszélgetés közben a ChatGPT mostantól gazdag vizuális kártyákat jeleníthet meg olyan témákban, mint az időjárás, a részvények, a sport és még sok más. A Hang továbbra is támogatja a keresést, a memóriát, a képeket és a fájlfeltöltéseket.

Az eredmény egy olyan ChatGPT Hang-élmény, amely természetesebbnek, képességesebbnek és hasznosabbnak érződik a mindennapokban.

A GPT‑Live‑ot alapértelmezetten biztonságosra terveztük. A legújabb modelljeink biztonsági fejlesztéseire épít, miközben célzott biztonsági képzést ad hozzá a fő kockázati területeken, valamint kifejezetten hanghoz tervezett új védelmi megoldásokat.

Hogy jobban tükrözzük, hogyan használják az emberek a hangot valós helyzetekben, a biztonsági tesztelést új, natívan hangalapú értékelésekkel bővítettük. Szintetikus értékeléseket is létrehoztunk, amelyek generált hangot használnak a fő biztonsági területek intenzívebb vizsgálatára, a speciális hang módból szerzett tapasztalatainkra támaszkodva. Ezek közé tartozik az önkárosítás, a pszichózis és a mánia, az MI-re való érzelmi támaszkodás, az erőszak és a szexuális tartalom. Belső szakértők a hangra jellemző kockázatok szempontjából is red teamingnek vetették alá a modellt.

Tesztjeinkben a GPT‑Live az általunk értékelt területek szinte mindegyikén a speciális hang módhoz hasonlóan vagy annál jobban teljesített. Tesztelésünkről és védelmi megoldásainkról bővebben a GPT‑Live rendszerkártyájában⁠(új ablakban nyílik meg) olvashatsz.

Mivel a hangalapú beszélgetések valós időben zajlanak, olyan védelmi megoldásokat is építettünk, amelyek a modell beszéde közben is működésbe léphetnek. Amikor a rendszer potenciálisan nem biztonságos kimenetet észlel, biztonságosabb válasz felé terelheti a modellt, további biztonsági üzeneteket vagy erőforrásokat jeleníthet meg, illetve magasabb kockázatú esetekben lezárhatja a hangalapú beszélgetést. Az önkárosítással kapcsolatos beszélgetésekhez a ChatGPT támogatási folyamatait hangra alakítottuk át, beleértve a szakértők által ellenőrzött krízis-segélyvonalak felajánlását.

További védelmeket terveztünk a tizenéves felhasználók támogatására, és közvetlenül a modellbe tanítottunk életkornak megfelelő viselkedést, hogy csökkentsük a nem megfelelő válaszok kockázatát. A szülők a szülői felügyeleten keresztül dönthetnek arról, hogy tizenéves gyermekük használhatja-e a ChatGPT Hangot, a kapcsolt szülők pedig értesítést kaphatnak magasabb kockázatú helyzetekben, amikor lehetséges önkárosítás vagy öngyilkossági szándék jelei merülnek fel.

Hosszabb távú mérést és bevezetés utáni monitorozást is indítunk, amely az érzelmi támaszkodásra összpontosít, hogy tovább mélyítsük megértésünket és finomítsuk a védelmi megoldásokat. Az affektív használatról és érzelmi jóllétről szóló korábbi kutatásunkra építve ez segít azonosítani az újonnan megjelenő mintázatokat, és javítani, hogyan reagál a rendszer érzelmileg érzékeny interakciókban.

Végül: a GPT‑Live‑ot beszélgetésre terveztük, nem hangutánzásra. A ChatGPT‑ben előre meghatározott hangokat használ, és védelmi megoldások akadályozzák meg, hogy valós személy hangját utánozza.

Elkötelezettek vagyunk a biztonság és a jóllét támogatása mellett, és a valós használatból tanulva tovább erősítjük ezeket a védelmeket.

A GPT‑Live bevezetése most zajlik világszerte a ChatGPT‑felhasználók számára iOS-en, Androidon és a ChatGPT.com⁠(új ablakban nyílik meg) oldalon. A GPT‑Live‑1 lesz az alapértelmezett modell, amely a ChatGPT Hangot működteti a Go-, Plus- és Pro-felhasználóknál, a GPT‑Live‑1 mini pedig az ingyenes felhasználóknál válik alapértelmezetté. További elérhetőségi részletek a Súgóközpontban⁠(új ablakban nyílik meg) találhatók.

A GPT‑Live‑ot a ChatGPT néhány legnépszerűbb nyelvére optimalizáltuk. Bizonyos nyelveken a modellnek nem anyanyelvi akcentusa lehet, vagy hiányosságai lehetnek a folyékonyságban. Aktívan dolgozunk azon, hogy minden nyelven javítsuk az élményt.

Induláskor a GPT‑Live nem támogatja a hangot videóval vagy képernyőmegosztással a ChatGPT‑ben, de dolgozunk rajta, hogy hamarosan bevezessük ezeket a képességeket. Továbbra is hozzáférhetsz a ChatGPT Hang korábbi verzióihoz, köztük a Standard és a speciális hang módhoz, ahol ezek a funkciók elérhetők.