Við kynnum GPT‑Live

Við erum að kynna GPT‑Live, nýja kynslóð raddlíkana sem láta það að tala við gervigreind líkjast miklu meira alvöru samtali.

GPT‑Live er byggt á full-duplex högun, sem þýðir að það getur hlustað og talað á sama tíma. Í samræðum getur GPT‑Live sýnt að það fylgist með með orðasamböndum eins og „mhmm“ eða „já“, tekið þátt í hröðum samræðum fram og til baka eða einfaldlega þagað þegar þú þarft smá stund til að hugsa. Niðurstaðan er raddupplifun sem er hressandi auðvelt að tala við.

GPT‑Live er einnig snjallasta raddlíkanið okkar hingað til. Fyrir spurningar sem krefjast vefleitar, ítarlegri rökhugsunar eða flóknari vinnu, þá er niðurstaðan færð aftur inn í umræðuna þegar hún er tilbúin. Á meðan það virkar getur GPT‑Live haldið áfram að tala við þig og viðhalda flæði samtalsins. Við útgáfu mun GPT‑Live nota GPT‑5.5 í bakgrunni. Þegar við gefum út nýjar gerðir af framúrstefnuleikjum munum við stöðugt uppfæra þá gerð sem GPT‑Live notar.

Þessar framfarir knýja áfram nýja ChatGPT Voice upplifun sem er snjallari og eðlilegri í notkun. Með tímanum teljum við að þessi rannsókn muni einnig opna fyrir möguleikann á að nota röddina fyrir sífellt flóknari, lengri tíma litið og umboðslegri störf.

Við erum að byrja að kynna tvær útgáfur af GPT‑Live – GPT‑Live‑1 og GPT‑Live‑1 mini – fyrir ChatGPT notendur um allan heim í dag. Við ætlum einnig að færa þau inn í API-ið fljótlega og forritarar og fyrirtæki geta skráð sig til að fá tilkynningar með þessu eyðublaði⁠.

Sýn okkar er að gera kleift að hafa sannarlega náttúruleg samskipti milli manna og gervigreindar: heim þar sem samvinna við gervigreind er jafn fljótandi og móttækileg og að vinna með annarri manneskju, á meðan rökhugsun og framkvæmd flókinna verkefna gerist óaðfinnanlega í bakgrunni.

Eldri kynslóðir raddgervigreindarkerfa færðu okkur nær þeirri framtíðarsýn, en með mikilvægum málamiðlunum.

Stallað raddkerfi treysta á röð líkana sem virka hver á eftir annarri til að vinna úr hverri beygju. Upprunalega ChatGPT Voice tengdi saman þrjár gerðir: tal-í-texta líkan til að umrita tal þitt, stórt tungumálalíkan til að framleiða svar og texta-í-tal líkan til að breyta því aftur í tal. Þessi aðferð gerði okkur kleift að eiga samskipti við gervigreindarlíkön á fremstu vígstöðvum í fyrsta skipti, en flækjustigið hafði sitt kostnað: upplýsingar gátu tapast á milli líkana og svör voru hæg og óstöðug.

Beygjutengd raddlíkön eins og ChatGPT Advanced Voice Mode unnu úr og mynduðu hljóð innan eins líkans, sem minnkaði seinkun og gerði samtöl mýkri — en þau virkuðu samt í gegnum aðskildar beygjur. Líkanið þurfti að bíða eftir að notandinn hætti að tala áður en það svaraði, sem leiddi til stífrar fram og til baka samskipta. Þar að auki, þar sem beygjugreining byggist á þögn, gæti jafnvel stutt þögn eða bakgrunnshljóð verið ruglað saman við lok beygju — sem veldur því að líkanið truflar á óeðlilegum tímum.

GPT‑Live tekur á þessum takmörkunum með tveimur breytingum á arkitektúr.

Fyrst smíðuðum við GPT‑Live fyrir stöðuga samskipti með því að nota full-duplex högun. Í stað þess að vinna úr röð af aðskildum skilaboðum, vinnur GPT‑Live stöðugt úr inntaki á meðan það býr til úttak. Líkanið getur því tekið ákvarðanir um samspil oft á sekúndu: hvort tala eigi, halda áfram að hlusta, gera hlé, trufla eða virkja tól.

Þetta gerir líkaninu kleift að taka þátt í eðlilegri fram-og-tilbaka flutningi, viðhalda betri tímaskynjun og jafnvel framkvæma lifandi þýðingu.

Í öðru lagi aðskildum við GPT‑Live — sem sér um stöðuga samskipti — frá dýpra starfi. Þegar spurning krefst leitar, rökhugsunar eða fleiri umboðslegra eiginleika getur GPT‑Live falið verkefnið til annarrar gerðar eins og GPT‑5.5. Þetta gerir því kleift að halda samtalinu gangandi, jafnvel þótt það sér um mörg verkefni í bakgrunni.

Þessi breyting á byggingarlist gerir GPT‑Live einnig kleift að nota stöðugt nýjustu líkön og umboðsmenn, sem sameinar upplýsingaöflun á jaðarsvæðum og náttúrulega samskipti.

Við smíðuðum ný mannleg mat til að mæla ánægju og flæði samræðna. Í þessum samanburði eru GPT‑Live‑1 og GPT‑Live‑1 mini frekar valin en Advanced Voice Mode í pöruðum 5–10 mínútna samtölum sem mæla almenna óskir, beygjuskipti, truflanir, samræðuflæði og hversu eðlilegt hvert samskipti var.

• GPQA: GPT‑Live‑1 skilar mun betri árangri en Ítarleg raddstilling í GPQA, sem prófar vísindalega rökhugsun á sérfræðistigi í líffræði, efnafræði og eðlisfræði.
• BrowseComp: GPT‑Live‑1 sýnir mikla ávinninga samanborið við Ítarleg raddstilling á BrowseComp, sem prófar vefleit með umboðsmanni og getu til að finna erfiðar upplýsingar.
• τ³-Voice Telecom**: GPT‑Live‑1 skilar betri árangri en Ítarleg raddstilling á τ³-Voice Telecom, sem prófar raddfulltrúa á raunhæfum, fjölþrepa fjarskiptastuðningsverkefnum.

Í hverri viku tala yfir 150 milljónir manna við ChatGPT með því að nota eiginleika eins og raddstýringu og upplestur. Þau nota það til að fá handfrjálsa hjálp í daglegu lífi, til að æfa tungumál, segja sögur fyrir svefninn eða bara spjalla á leiðinni til og frá vinnu.

Frá og með deginum í dag, þegar þú smellir á raddhnappinn til að tala við ChatGPT, færðu betri upplifun knúin áfram af GPT‑Live — með eðlilegri samræðum, snjallari svörum, betri hlustun og sjónrænum viðbrögðum.

Að tala við ChatGPT ætti nú að vera miklu meira eins og raunverulegt samtal. Þú getur truflað með spurningu, gert hlé til að safna hugsunum þínum eða beðið ChatGPT um að hægja á sér. Það viðurkennir náttúrulega það sem þú ert að segja með setningum eins og „mhmm“ eða „skil það“, svo þú veist að það fylgir með. Við höfum einnig endurhannað níu mismunandi raddir í ChatGPT fyrir GPT‑Live.

ChatGPT Voice getur nú nýtt sér nýjustu framarlegu líkönin okkar og gefið þér snjallari svör þegar þú þarft á þeim að halda. Þú getur líka valið rökhugsunarstig sem hentar þínum þörfum: Strax fyrir skjót svör, eða Miðlungs og Hátt þegar þú vilt að ChatGPT eyði meiri tíma í að hugsa.

Ef þú hugsar þig um andartak, þá bíður ChatGPT Voice nú í stað þess að stökkva inn í og trufla. Ef þú biður það um að þegja og hlusta, þá mun það gera það. Og þegar bakgrunnshljóð eru til staðar, eins og umferð eða samtöl í nágrenninu, þá er ChatGPT betra í að einbeita sér að röddinni þinni í stað þess að láta trufla þig.

Sum svör eru gagnlegri þegar þú getur séð þau. Á meðan þú talar getur ChatGPT nú sýnt þér fjölbreytt sjónræn kort fyrir efni eins og veður, hlutabréf, íþróttir og fleira. Rödd heldur einnig áfram að styðja leit, minni, myndir og skráarupphleðslu.

Niðurstaðan er ChatGPT Voice upplifun sem er eðlilegri, öflugri og gagnlegri í daglegu lífi.

GPT‑Live var hannað til að vera öruggt sjálfgefið. Það byggir á öryggisframþróun nýjustu gerða okkar og bætir við sérhæfðri öryggisþjálfun á helstu áhættusviðum og nýjum öryggisráðstöfunum sem eru sérstaklega hannaðar fyrir rödd.

Til að endurspegla betur hvernig fólk notar rödd í raunverulegum aðstæðum byrjuðum við á að víkka út öryggisprófanir okkar til að innihalda nýjar mats á hljóði sem byggir á innfæddum tungumálum. Við bjuggum einnig til tilbúnar matsaðferðir sem nota hljóðmyndun til að einbeita okkur betur að lykilöryggissviðum, byggt á því sem við lærðum af ítarlegri raddstillingu. Þessi svið eru meðal annars sjálfsskaði, geðrof og oflæti, tilfinningaleg þörf fyrir gervigreind, ofbeldi og kynferðislegt efni. Innri sérfræðingar tóku einnig áhættumat líkansins til að meta áhættu sem er einstök fyrir tal.

Í prófunum okkar stóð GPT‑Live sig sambærilega við eða betri en Ítarleg raddstilling á nánast öllum þeim sviðum sem við metum. Þú getur lesið meira um prófanir okkar og öryggisráðstafanir á GPT‑Live kerfiskortinu⁠(opnast í nýjum glugga).

Þar sem raddsamtöl eiga sér stað í rauntíma höfum við einnig smíðað öryggisráðstafanir sem geta virkað á meðan líkanið talar. Þegar kerfið greinir hugsanlega óörugga úttak getur það stýrt líkaninu í átt að öruggari viðbrögðum, birt frekari öryggisskilaboð eða úrræði eða slitið talsamræðunni í tilfellum þar sem hætta er á að það komi fram. Fyrir samræður sem fela í sér sjálfskaða aðlöguðum við stuðningsflæði ChatGPT að rödd, þar á meðal að bjóða upp á aðstoð við neyðaraðstoð sem sérfræðingar hafa metið.

Við hönnuðum viðbótarvernd til að styðja unglinga og þjálfuðum aldurshæfa hegðun beint inn í líkanið til að draga úr hættu á óviðeigandi svörum. Foreldrar geta valið hvort unglingurinn þeirra geti notað ChatGPT Voice í gegnum foreldraeftirlit og tengdir foreldrar geta fengið tilkynningu í aðstæðum þar sem hætta er á að viðkomandi skaði sig eða fremji sjálfsvíg.

Við erum einnig að innleiða langtímamælingar og eftirlit eftir útgáfu sem beinist að tilfinningalegu trausti til að halda áfram að bæta skilning okkar og betrumbæta öryggisráðstafanir. Með því að byggja á fyrri rannsóknum okkar á tilfinningalegri notkun og tilfinningalegri vellíðan mun þetta hjálpa okkur að bera kennsl á ný mynstur og bæta hvernig kerfið bregst við í tilfinninganæmum samskiptum.

Að lokum er GPT‑Live hannað fyrir samræður, ekki raddhermingar. Það notar fyrirfram skilgreindar raddir í ChatGPT, með öryggisráðstöfunum til að koma í veg fyrir að það hermi eftir rödd raunverulegrar manneskju.

Við erum staðráðin í að styðja við öryggi og vellíðan og munum halda áfram að styrkja þessa vernd eftir því sem við lærum af raunverulegri notkun.

GPT‑Live er nú aðgengilegt ChatGPT notendum um allan heim á iOS, Android og ChatGPT.com⁠(opnast í nýjum glugga). GPT‑Live‑1 verður sjálfgefin útgáfa af ChatGPT Voice fyrir Go-, Plus- og Pro-notendur, og GPT‑Live‑1 mini verður sjálfgefin útgáfa fyrir Free-notendur. Nánari upplýsingar um framboð er að finna í hjálparmiðstöð⁠(opnast í nýjum glugga) okkar.

Við höfum fínstillt GPT‑Live fyrir nokkur af vinsælustu tungumálunum í ChatGPT. Fyrir ákveðin tungumál gæti líkanið haft hreim sem ekki er móðurmálið eða lélegt talmál. Við erum að vinna virkan að því að bæta upplifunina á öllum tungumálum.

Við útgáfu mun GPT‑Live ekki styðja rödd með myndbandi eða skjádeilingu í ChatGPT, en við erum að vinna að því að kynna þessa möguleika fljótlega. Þú getur enn fengið aðgang að eldri útgáfum af ChatGPT Voice, þar á meðal venjulegri og ítarlegri raddstillingu, þar sem þessir eiginleikar eru í boði.