Денес го воведуваме GPT‑Live‑1 во API, давајќи им на програмерите моќен гласовен модел што можат да го комбинираат со гранична интелигенција во своите апликации. GPT‑Live‑1,првпат претставен во ChatGPT, може истовремено да слуша и да зборува и, како штовидовме со Codex и ChatGPT Работа⁠(се отвора во нов прозорец), може да им делегира подлабоко расудување и дејства на моделите и алатките со кои е споен.

За објавувањето на GPT‑Live во API се сосредоточивме на нови способности што им овозможуваат на програмерите да ги обликуваат гласовните искуства според своите корисници, работни текови и цели. На пример, во раните процени, апликацијата за учење јазици Speak утврди дека GPT‑Live‑1 ги намалил прекините додека учениците прават пауза за размислување за речиси 80 % во споредба со претходните системи со наизменично зборување — давајќи им повеќе време да ги најдат вистинските зборови пред да се вклучи туторот.

Изданието за API додава:

• Управување со прекини:Еден модел заеднички расудува врз основа на влезното и излезното аудио, избегнувајќи ги доцнењата и несигурните премини кај поврзаните архитектури STT–LLM–TTS.

• Оркестрација на агенти:Посигурно следи насоки во повеќе чекори, извршува повици до приспособени алатки и му делегира подлабоко расудување или дејства на заднинскиот модел или рамката за агент што ќе ги избере програмерот.

• Приспособени гласови:Додава [XX — бројот треба да се утврди] нови приспособени гласови на [YY — јазиците треба да се утврдат] јазици, помагајќи им на брендовите да создаваат природни и препознатливи гласовни искуства на различни јазици и дијалекти.

• Насочување на личноста:Им овозможува на програмерите преку системскиот промпт да ги обликуваат тонот, темпото и разговорниот стил на агентот.

• Тивко управување со контекстот & бучава во заднината:Подобро се справува со бучавата во заднината и тишината, без да го прекинува разговорот или гласно да го опишува секој чекор.

• Флексибилна интелигенција:Им овозможува на програмерите да изберат кој било заднински модел или рамка за агент што одговара на нивниот работен тек.

• Сигурност при долги сесии:Го подобрува задржувањето на контекстот и квалитетот на разговорот при подолги интеракции.

• Поддршка за телефонија:Овозможува примена на целосно дуплексни гласовни агенти за телефонски повици, од резервации во ресторани до корисничка поддршка.

Традиционалните гласовни агенти ги поврзуваат претворањето говор во текст, моделот со расудување и претворањето текст во говор. Секој премин создава доцнење и повеќе можности да се изгубат вистинскиот момент, контекстот или природниот ритам на разговорот. Програмерите често мора да ги координираат тие фази, вклучително и што ќе се случи кога некој ќе прекине, ќе направи пауза или ќе ја смени насоката.

GPT‑Live‑1 ги обработува слушањето и зборувањето во еден модел, поедноставувајќи го гласовниот слој во живо. Може веднаш да реагира на прекини и потврди, а подлабокото расудување да го делегира на заднинскиот систем. Така разговорот може да продолжи додека работата се извршува во заднина.

Програмерите ги избираат моделите, алатките и рамката за агент зад разговорот. На пример, може да го спојат GPT‑Live‑1 со модел како Luna за задачи со голем обем, како закажување или ажурирање на нарачки, а модел како Astra да користат за сложени кориснички проблеми што бараат расудување. Оваа флексибилност им овозможува на програмерите да ги приспособат длабочината на расудувањето, брзината и трошоците кон секоја задача.

GPT‑Live‑1 изворно обезбедува ASR-транскрипти и текст на одговорите. Нуди и одлично разбирање на алфанумерички содржини и поддржува давање предност на клучни зборови. Иако GPT‑live не е модел со наизменично зборување, тој изворно поддржува откривање на редоследот на зборување, па програмерите и понатаму можат да градат околу јасно одредени граници меѓу репликите.

[МЕСТОЗАПОЛНУВАЧ: Паралелна аудиоспоредба на GPT‑Live‑1 и каскаден гласовен систем — аудиодатотеките и транскриптите се во подготовка.]

Во нашите процени, GPT‑Live‑1 споен со GPT‑6 Astra со среден напор за расудување е на прво место на Tau3, кој ја мери граничната интелигенција на гласовните агенти при задачи од почеток до крај, и на прво место на Full Duplex Bench, кој ги оценува интерактивноста, доцнењето при наизменично зборување, повикувањето алатки и квалитетот на одговорите.

На програмерите им требаат гласови што одговараат на нивниот производ и им звучат природно на корисниците. Со GPT‑Live‑1, од мала група гласови во реално време преминуваме кон поширок избор на акценти, дијалекти и јазици, давајќи им на програмерите повеќе избор за тоа како ќе звучат нивните асистенти.

• Quartz — австралиски англиски, женски, генериран

• Ripple — австралиски англиски, машки, природен

• Vesper — британски англиски, машки, природен

• Willow — ирски англиски, женски, природен

• Stone — ирски англиски, машки, природен

• Gleam — северноамерикански англиски, женски, природен

• Meridian — северноамерикански англиски, машки, природен

• Bossa — бразилски португалски, женски, природен

• Tempo — бразилски португалски, машки, природен

• Aster — индиски англиски, женски, генериран

• Beacon — филипински англиски, машки, генериран

• Delta — јужноамерикански англиски, женски, генериран

• Cinder — јужноамерикански англиски, машки, генериран

Во текот на следните месеци ќе продолжиме да го прошируваме изборот на гласови и достапноста на јазиците.

GPT‑Live‑1 е достапен во API од денес, по цена од 0,05 $ за минута за предниот гласовен слој. Спојте го со заднинскиот модел и рамката за агент што одговараат на вашиот производ, па создајте гласовно искуство што може да се приспособува на обемот на работата што треба да ја изврши.

За пристап до приспособени гласови, контактирајте со продажниот тим за да дознаете повеќе за условите и постапката за поднесување барање.

Може побрзо да започнете со GPT‑Live‑1 преку Presence, кој поддржува искуства во реално време преку глас и разговор, како корисничка поддршка, појдовна продажба и високоризични внатрешни работни текови. Обратете му се на вашиот директор за кориснички сметки во OpenAI за да дознаете повеќе.