API-ში ვუშვებთ GPT‑Live‑1-ს და დეველოპერებს ვთავაზობთ მძლავრ, ბუნებრივ ხმოვან მოდელს ხმოვანი ფუნქციების მქონე აპლიკაციებისა და ბიზნესის სამუშაო პროცესების შესაქმნელად. GPT‑Live‑1, რომელიც პირველად ChatGPT‑ში წარვადგინეთ, ერთდროულად მოსმენასა და საუბარს ახერხებს და, როგორც Codex-სა და ChatGPT Work-ში ვიხილეთ(იხსნება ახალ ფანჯარაში), უფრო ღრმა მსჯელობასა და მოქმედებებს მასთან დაწყვილებულ მოდელებსა და ხელსაწყოებს გადასცემს.
GPT‑Live‑1‑ის API-ვერსიისთვის ყურადღება გავამახვილეთ ახალ შესაძლებლობებზე, რომლებითაც დეველოპერებს შეუძლიათ ხმოვანი გამოცდილება თავიანთ მომხმარებლებს, სამუშაო პროცესებსა და მიზნებს მოარგონ და მართონ. GPT‑Live‑1‑ის ერთ-ერთი მთავარი უპირატესობა, შეფერხებების შეუფერხებლად მართვა, უკვე ბიზნესზე გავლენას ახდენს: ადრეული შეფასებებისას Speak-მა აღმოაჩინა, რომ GPT‑Live‑1 მოსწავლეებს ენის რეპეტიტორის პასუხამდე საფიქრელად მეტ დროს აძლევდა და წინა, საუბრის მონაცვლეობაზე დაფუძნებულ სისტემებთან შედარებით, შეფერხებებს თითქმის 80%-ით ამცირებდა.
GPT‑Live‑1‑ის ძირითადი ძლიერი მხარეები API-ში:
შეფერხებების მართვა: აუმჯობესებს შეფერხებების მართვას ერთი მოდელის მეშვეობით, რომელიც შემომავალ და გამავალ აუდიოს ერთობლივად აანალიზებს, რითაც თავიდან იცილებს ერთმანეთზე გადაბმული STT–LLM–TTS არქიტექტურების დაყოვნებასა და არასაიმედო გადაცემებს.
მსჯელობისა და ხელსაწყოების გამოძახების დელეგირება: GPT‑Live‑1‑ს შეუძლია მსჯელობისა და ხელსაწყოების გამოძახების დელეგირება სერვერულ ტექსტურ მოდელზე, როგორიცაა GPT‑6 Astra ან მესამე მხარის მოდელი.
ტონი, ტემპი და სტილი: დეველოპერებს საშუალებას აძლევს, სისტემური მოთხოვნით განსაზღვრონ აგენტის ტონი, ტემპი და საუბრის სტილი.
კონტექსტისა და ფონური ხმაურის უხმოდ მართვა: უკეთ უმკლავდება ფონურ ხმაურსა და სიჩუმეს ისე, რომ საუბარს არ წყვეტს და თითოეულ ნაბიჯს ხმამაღლა არ აღწერს.
ხანგრძლივი სესიების საიმედოობა: აუმჯობესებს კონტექსტის შენარჩუნებასა და საუბრის ხარისხს ხანგრძლივი ურთიერთქმედებისას.
ტელეფონიის მხარდაჭერა: შესაძლებელს ხდის სატელეფონო ზარებისთვის სრულდუპლექსიანი ხმოვანი აგენტების დანერგვას — რესტორანში მაგიდის დაჯავშნიდან მომხმარებელთა მხარდაჭერამდე.
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.
ამ დემოს დროის ლიმიტი აქვს. მისი გამოყენებით თქვენ ეთანხმებით OpenAI-ს პირობებს და ადასტურებთ, რომ გაეცანით ჩვენს კონფიდენციალურობის წესებს.
ტრადიციული ხმოვანი აგენტები ერთმანეთთან აერთიანებენ მეტყველების ტექსტად გარდაქმნას, მსჯელობის მოდელსა და ტექსტის მეტყველებად გარდაქმნას. თითოეული გადაცემა დაყოვნებას ზრდის და საუბრის დროის, კონტექსტის ან ბუნებრივი რიტმის დაკარგვის მეტ შესაძლებლობას ქმნის. ამ ეტაპების კოორდინირება ხშირად დეველოპერებს უწევთ, მათ შორის მაშინაც, როცა ვინმე საუბარს წყვეტს, პაუზას აკეთებს ან მიმართულებას ცვლის.
GPT‑Live‑1 მოსმენასა და საუბარს ერთ მოდელში ამუშავებს, რაც ხმის შრეს ამარტივებს. მას შეუძლია შეფერხებებსა და დასტურებზე მაშინვე რეაგირება, ხოლო ღრმა მსჯელობას სერვერულ ნაწილს გადასცემს. ამის საშუალებით საუბარი გრძელდება, სამუშაო კი ფონურ რეჟიმში სრულდება.
საუბრის უკან მდგომ მოდელებს, ხელსაწყოებსა და აგენტის სარტყელს დეველოპერები ირჩევენ. მაგალითად, მათ შეუძლიათ GPT‑Live‑1 Luna-ს მსგავს მოდელს შეუწყვილონ დიდი მოცულობის ამოცანებისთვის, როგორიცაა დაგეგმვა ან შეკვეთის სტატუსის განახლება, ხოლო მსჯელობის მომთხოვნი რთული მომხმარებლის საკითხებისთვის Astra-ს მსგავსი მოდელი გამოიყენონ. ეს მოქნილობა დეველოპერებს საშუალებას აძლევს, მსჯელობის სიღრმე, სიჩქარე და ღირებულება თითოეულ ამოცანას მოარგონ.
GPT‑Live‑1‑ს ASR-ტრანსკრიპტებისა და პასუხის ტექსტის ჩაშენებული მხარდაჭერა აქვს. მას ასევე კარგად ესმის ასოებისა და ციფრების კომბინაციები და საკვანძო სიტყვების პრიორიტეტიზაციას უჭერს მხარს. მიუხედავად იმისა, რომ GPT‑Live‑1 საუბრის მონაცვლეობაზე დაფუძნებული მოდელი არ არის, მას საუბრის მონაცვლეობის ამოცნობის ჩაშენებული მხარდაჭერა აქვს, ამიტომ დეველოპერებს კვლავ შეუძლიათ, სისტემები მკაფიოდ განსაზღვრული მონაცვლეობის საზღვრებზე ააგონ.
ჩვენს შეფასებებში GPT‑Live‑1 Full Duplex Bench-ის მაჩვენებელს GPT‑Realtime‑2.1-თან შედარებით 30 პროცენტული პუნქტით აუმჯობესებს, საუბრის მონაცვლეობის დაყოვნებასა და ინტერაქციულ ქცევაში მნიშვნელოვანი გაუმჯობესებებით. საშუალო მსჯელობის ძალისხმევით მომუშავე GPT‑6 Astra-სთან ერთად, ის, ასევე, #1 ადგილს იკავებს Tau3-ზე, რომელიც სრულ ციკლიან ამოცანებში მოწინავე ხმოვანი აგენტის ინტელექტს ზომავს.
აფასებს ავიაკომპანიების, საცალო ვაჭრობისა და ტელეკომუნიკაციების სფეროებში მომხმარებელთა მომსახურების ხმოვან დავალებებს. Pass@1 დავალების წარმატებით შესრულებას ზომავს; მთავარ მაჩვენებელში თითოეულ სფეროს თანაბარი წონა ენიჭება.
* GPT Live-ის სერვერული ნაწილი: Astra (საშუალო).
აფასებს ხმოვან საბანკო მხარდაჭერას ცოდნის მოძიებისა და ანგარიშის ხელსაწყოების გამოყენებით. Pass@1 არის 97 banking_knowledge დავალებიდან წარმატებით შესრულებული დავალებების წილი.
* GPT Live-ის სერვერული ნაწილი: Astra (საშუალო).
აფასებს პაუზების დამუშავებას, საუბარში რიგის მონაცვლეობას, შეწყვეტებსა და უკუკავშირის სიგნალებს.
ამოწმებს რეაქციებს ფონურ მეტყველებაზე, სხვა ადამიანისთვის მიმართულ მეტყველებაზე, მსმენელის უკუკავშირის სიგნალებსა და შეწყვეტებზე.
ზომავს, რამდენად სწრაფად იწყებს აგენტი პასუხის გაცემას მას შემდეგ, რაც მომხმარებელი თავის რიგს დაასრულებს.
ამოწმებს ინსტრუმენტების გამოყენებას ზეპირ მოთხოვნებში, რომლებიც შეიცავს ბუნებრივ პაუზებს, ყოყმანსა და თვითშესწორებებს. Pass@1 აფასებს ხელსაწყოების გამოძახების თანმიმდევრობას.
* GPT Live-ის სერვერული ნაწილი: Terra (დაბალი).
აფასებს ზეპირ პასუხს ხელსაწყოების გამოყენების მოთხოვნებზე, რომლებიც შეიცავს პაუზებს, ყოყმანსა და თვითშესწორებებს. აფასებს, რამდენად შეესაბამება პასუხი საცნობარო განზრახვას.
* GPT Live-ის სერვერული ნაწილი: Terra (დაბალი).
დეველოპერებს სჭირდებათ ხმები, რომლებიც მათ პროდუქტს შეეფერება და მომხმარებლებისთვის ბუნებრივად ჟღერს. GPT‑Live‑1‑ის მეშვეობით რეალურ დროში მოქმედი ხმების მცირე ნაკრებს ვაფართოებთ და დეველოპერებს სხვადასხვა აქცენტის, დიალექტისა და ენის უფრო ფართო არჩევანს ვთავაზობთ, რათა თავად განსაზღვრონ, როგორ ჟღერდეს მათი ასისტენტი.
მომდევნო თვეებში ხმების ვარიანტებისა და ხელმისაწვდომი ენების გაფართოებას გავაგრძელებთ.
GPT‑Live‑1 დღეს უკვე API-შია(იხსნება ახალ ფანჯარაში) ხელმისაწვდომი კლიენტის მხარის ხმოვანი შრისთვის წუთში 0,05$ად. შეუწყვილეთ ის თქვენი პროდუქტისთვის შესაფერის სერვერულ მოდელსა და აგენტის სარტყელს, შემდეგ კი შექმენით ხმოვანი გამოცდილება, რომელიც შესასრულებელი სამუშაოს მასშტაბს მოერგება.
მორგებულ ხმებზე წვდომის დასაშვებობისა და მოთხოვნის პროცესის შესახებ მეტი ინფორმაციისთვის დაუკავშირდით გაყიდვების გუნდს.
GPT‑Live‑1‑ის გამოყენებით ხმოვანი სამუშაო პროცესების შექმნის კიდევ ერთი გზაა OpenAI Presence-ის გამოყენება, რომელიც მოდელს რეალურ დროში ხმოვანი ინტერაქციების უზრუნველსაყოფად იყენებს. Presence საწარმოებს ეხმარება, დანერგონ სანდო AI აგენტები, რომლებსაც შეუძლია კითხვებზე პასუხის გაცემა, პრობლემების გადაჭრა, კომპანიის სისტემების გამოყენება, დამტკიცებული მოქმედებების შესრულება და საჭიროების შემთხვევაში საკითხის ადამიანებისთვის გადაცემა. დეტალური ინფორმაციისთვის დაუკავშირდით OpenAI-ში თქვენი ანგარიშის დირექტორს.
