Bemutatjuk a GPT‑Live‑ot

Elindítjuk a GPT‑Live‑ot, a hangmodellek új generációját, amelynek köszönhetően az MI-vel való beszélgetés sokkal inkább valódi beszélgetésnek érződik.

A GPT‑Live full-duplex architektúrára épül, ami azt jelenti, hogy egyszerre képes figyelni és beszélni. Beszélgetés közben a GPT‑Live olyan kifejezésekkel jelezheti, hogy figyel, mint a „mhmm” vagy az „igen”, gyors oda-vissza párbeszédbe kapcsolódhat, vagy egyszerűen csendben marad, amikor 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 a legújabb élvonalbeli modellünkre bízza a feladatot, majd az eredményt visszahozza a beszélgetésbe, amikor elkészült. Miközben dolgozik, a GPT‑Live tovább tud veled beszélgetni, és fenntartja a beszélgetés folyamatosságát. Induláskor a GPT‑Live a háttérben a GPT‑5.5‑öt fogja használni. Ahogy új élvonalbeli modelleket adunk ki, folyamatosan frissíteni fogjuk a GPT‑Live által használt modellt.

Ezek a fejlesztések egy új ChatGPT Hang-élményt működtetnek, amely intelligensebb és természetesebb használatot kínál. Idővel úgy gondoljuk, hogy ez a kutatás azt is lehetővé teszi majd, hogy a hangot egyre összetettebb, hosszabb ideig futó és ügynökibb munkára használjuk.

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

Az a víziónk, hogy valóban természetes ember–MI-interakciót tegyünk lehetővé: egy olyan világot, ahol az MI-vel való együttműködés olyan gördülékeny és reszponzív, mint egy másik emberrel dolgozni, miközben az érvelés és az összetett feladatvégrehajtás zökkenőmentesen zajlik a háttérben.

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

A kaszkádolt hangrendszerek egy sor egymás után működő modellre támaszkodnak, hogy feldolgozzanak minden egyes fordulót. Az eredeti ChatGPT Hang három modellt kapcsolt össze: egy beszédfelismerő modellt a beszéded átírására, egy nagy nyelvi modellt a válasz létrehozására, valamint egy szövegből beszédet előállító modellt, amely azt ismét beszéddé alakította. Ez a megközelítés először tette lehetővé, hogy élvonalbeli MI-modellekkel beszélgessünk, de a komplexitásnak ára volt: információ veszhetett el a modellek között, a válaszok pedig lassúak és merevek voltak.

Az olyan fordulóalapú 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 elkülönülő fordulókban működtek. A modellnek meg kellett várnia, amíg a felhasználó befejezi a beszédet, mielőtt válaszolhatott volna, ami merev oda-vissza váltásokat eredményezett. Ráadásul mivel a fordulók észlelése csend alapján történik, akár egy rövid szünetet vagy háttérzajt is a forduló végének lehetett téveszteni — emiatt a modell természetellenes pillanatokban szakíthatott félbe.

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

Először is a GPT‑Live‑ot folyamatos interakcióra építettük, full-duplex architektúrával. A különálló üzenetek sorozatának feldolgozása helyett a GPT‑Live folyamatosan dolgozza fel a bemenetet, miközben kimenetet generál. Így a modell másodpercenként sokszor hozhat interakciós döntéseket: beszéljen-e, tovább figyeljen-e, szünetet tartson-e, közbevágjon-e, vagy meghívjon-e egy eszközt.

Ez lehetővé teszi, hogy a modell természetesebb oda-vissza párbeszédet folytasson, jobb időérzéket tartson fenn, és akár élő fordítást is végezzen.

Másodszor, szétválasztottuk a GPT‑Live‑ot — amely a folyamatos interakciót kezeli — a mélyebb munkától. Amikor egy kérdés keresést, érvelést vagy ügynökibb képességeket igényel, a GPT‑Live a feladatot egy másik modellre, például a GPT‑5.5‑re delegálhatja. Így akkor is fenn tudja tartani a beszélgetést, amikor több feladatot kezel a háttérben.

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

Új emberi értékeléseket dolgoztunk ki a kellemes használat és a beszélgetés folyamatosságának mérésére. Ezekben a fej fej melletti összehasonlításokban a GPT‑Live‑1‑et és a GPT‑Live‑1 minit egyértelműen előnyben részesítik a speciális hang móddal szemben az összehangolt, 5–10 perces beszélgetésekben, amelyek az általános preferenciát, a fordulóváltást, a megszakításokat, a beszélgetés folyamatosságát és az egyes interakciók természetességét mérik.

• GPQA: A GPT‑Live‑1 jelentősen felülmúlja a speciális hang módot a GPQA-n, amely biológián, kémián és fizikán átívelő, szakértői szintű tudományos érvelést tesztel.
• BrowseComp: A GPT‑Live‑1 erős javulást mutat a speciális hang módhoz képest a BrowseComp feladaton, amely az ügynöki webes keresést és a nehezen megtalálható információk felkutatásának képességét teszteli.
• τ³-Voice Telecom**: 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.