Го лансираме GPT‑Live‑1 во API, давајќи им на програмерите моќен, природен гласовен модел за создавање апликации со гласовна интеракција и деловни работни текови. Првпат претставен во ChatGPT, GPT‑Live‑1 може истовремено да слуша и да зборува и, како што се виде со Codex и ChatGPT Work(се отвора во нов прозорец), може да делегира подлабоко расудување и дејства на моделите и алатките со кои е поврзан.
За објавувањето на GPT‑Live‑1 во API се сосредоточивме на нови способности што им овозможуваат на програмерите да ги насочуваат и приспособуваат гласовните искуства според своите корисници, работни текови и цели. Клучната предност на GPT‑Live‑1, непреченото справување со прекини, веќе има деловно влијание: во раните процени, Speak утврди дека GPT‑Live‑1 им овозможил на учениците повеќе време за размислување пред да одговори наставникот по јазик, намалувајќи ги прекините за речиси 80 % во споредба со претходните системи со наизменично зборување.
Клучни предности на GPT‑Live‑1 во API:
Управување со прекини: Го подобрува справувањето со прекини преку еден модел што истовремено расудува врз основа на влезното и излезното аудио, избегнувајќи ги доцнењето и несигурните премини кај поврзаните архитектури за препознавање говор, големи јазични модели (LLM) и синтеза на говор (STT–LLM–TTS).
Делегирање на расудување и повици на алатки: GPT‑Live‑1 може да делегира расудување и повици на алатки на позадински текстуален модел како GPT‑6 Astra или модел од трето лице.
Тон, темпо и стил: 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.
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.
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.
Ова демо е временски ограничено. Со користењето на ова, се согласуваш со Условите на OpenAI и потврдуваш дека си запознаен/а со нашата Политика на приватност.
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. Може веднаш да реагира на прекини и потврди, а подлабокото расудување да го делегира на системот во позадина. Така разговорот може да продолжи додека работата се извршува во позадина.
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‑Llive‑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‑1 не е модел со наизменично зборување, тој изворно поддржува препознавање на границите меѓу репликите, па програмерите и понатаму можат да градат околу јасно одредени граници меѓу репликите.
Во нашите процени, GPT‑Live‑1 ги подобрува перформансите на Full Duplex Bench за 30 процентни поени во однос на GPT‑Realtime‑2.1, со значителни подобрувања во латентноста при наизменично зборување и интерактивното однесување. Споен со GPT‑6 Astra со среден напор за расудување, исто така е на прво место на Tau3, кој ја мери граничната интелигенција на гласовните агенти при задачи од почеток до крај.
Оценува говорни задачи за корисничка поддршка во домените на авиокомпаниите, малопродажбата и телекомуникациите. Pass@1 го мери успехот на задачите; насловот им дава еднаква тежина на сите домени.
* Позадински дел на GPT Live: Astra (средна).
Ја оценува говорната банкарска поддршка со пребарување на знаење и алатки за сметки. Pass@1 е уделот од 97 задачи banking_knowledge што се успешно завршени.
* Позадински дел на GPT Live: Astra (средна).
Го оценува справувањето со паузи, смената на говорниците во разговор, прекините и потврдните реакции.
Ги тестира реакциите на говор во позадина, говор упатен кон друго лице, повратни сигнали од слушателот и прекини.
Мери колку брзо агентот го започнува својот одговор откако корисникот ќе заврши со зборувањето.
Ја тестира употребата на алатки преку говорни барања што содржат природни паузи, двоумења и самокорекции. Pass@1 ја оценува низата на повици на алатки.
* Позадински систем GPT Live: Terra (ниско).
Го оценува говорниот одговор на барања при кои се користат алатки и содржат паузи, двоумења и самокорекции. Оценува колку добро одговорот се совпаѓа со референтната намера.
* Позадински систем GPT Live: Terra (ниско).
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.
Во текот на следните месеци ќе продолжиме да го прошируваме изборот на гласови и достапноста на јазиците.
GPT‑Live‑1 е достапен денес во API(се отвора во нов прозорец) по цена од 0,05 американски долари за минута за предниот гласовен слој. Спојте го со заднинскиот модел и рамката за агент што одговараат на вашиот производ, па креирајте 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.
Друг начин за создавање гласовни работни текови со GPT‑Live‑1 е преку OpenAI Presence, што го користи моделот за гласовни интеракции во реално време. Presence им помага на претпријатијата да распоредат доверливи агенти со ВИ кои можат да одговараат на прашања, да решаваат проблеми, да користат компаниски системи, да преземаат одобрени дејства и по потреба да ескалираат до луѓе. Обратете му се на вашиот директор на сметката во OpenAI за да дознаете повеќе.
