API-യിലെ GPT‑Live‑1 വഴി സ്വാഭാവികമായ വോയ്സ് അനുഭവം നിർമ്മിക്കൂ
ChatGPT‑യുടെ സ്വാഭാവികവും ഒരേസമയം ഇരുവശത്തുനിന്നും സംസാരിക്കാൻ സാധിക്കുന്നതുമായ സംഭാഷണ മികവിനെ API-യിലേക്ക് എത്തിക്കുന്നതാണ് GPT‑Live‑1; ഇതോടൊപ്പം വോയ്സ് ഏജന്റുകൾ എങ്ങനെയൊക്കെ സംസാരിക്കണം, പ്രവർത്തിക്കണം എന്നതിൽ കൂടുതൽ നിയന്ത്രണവും ഇത് നൽകുന്നു.
ഡെവലപ്പർമാർക്ക് വോയ്സ് അടിസ്ഥാനമാക്കിയുള്ള ആപ്പുകളും ബിസിനസ്സ് പ്രവർത്തനരീതികളും നിർമ്മിക്കുന്നതിനായി ശക്തവും സ്വാഭാവികവുമായ ഒരു വോയ്സ് മോഡൽ നൽകിക്കൊണ്ട് ഞങ്ങൾ API-യിൽ GPT‑Live‑1 അവതരിപ്പിക്കുന്നു. ആദ്യം ChatGPT‑യിൽ അവതരിപ്പിച്ച GPT‑Live‑1‑ന് ഒരേസമയം കേൾക്കാനും സംസാരിക്കാനും കഴിയും. കൂടാതെ, Codex-ലും ChatGPT ജോലിയിലും കണ്ടതുപോലെ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), ഇതിനൊപ്പം ബന്ധിപ്പിച്ചിരിക്കുന്ന മറ്റ് മോഡലുകളിലേക്കും ടൂളുകളിലേക്കും കൂടുതൽ സങ്കീർണ്ണമായ റീസണിംഗും പ്രവർത്തനങ്ങളും കൈമാറാനും ഇതിന് കഴിയും.
GPT‑Live‑1 API പതിപ്പിൽ ഉപയോക്താക്കൾക്കും പ്രവർത്തനരീതികൾക്കും ലക്ഷ്യങ്ങൾക്കും അനുയോജ്യമായ രീതിയിൽ വോയ്സ് അനുഭവങ്ങളെ നിയന്ത്രിക്കാനും ഇഷ്ടാനുസൃതമാക്കാനും ഡെവലപ്പർമാരെ സഹായിക്കുന്ന പുതിയ സവിശേഷതകളിലാണ് ഞങ്ങൾ പ്രധാനമായും ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരിക്കുന്നത്. GPT‑Live‑1‑ന്റെ ഏറ്റവും പ്രധാനപ്പെട്ട ഒരു സവിശേഷതയായ തടസ്സമില്ലാത്ത സംഭാഷണ കൈകാര്യം ചെയ്യൽ രീതി, ഇതിനകം തന്നെ ബിസിനസ്സുകളിൽ വലിയ സ്വാധീനം ചെലുത്തുന്നുണ്ട്: ആദ്യഘട്ട വിലയിരുത്തലുകളിൽ, മുമ്പത്തെ ടേൺ-ബേസ്ഡ് സിസ്റ്റങ്ങളെ അപേക്ഷിച്ച് GPT‑Live‑1 വഴി ഭാഷാ ട്യൂട്ടർ മറുപടി നൽകുന്നതിന് മുമ്പായി പഠിതാക്കൾക്ക് ചിന്തിക്കാൻ കൂടുതൽ സമയം ലഭിക്കുന്നതായും സംഭാഷണങ്ങൾക്കിടയിലെ തടസ്സങ്ങൾ ഏകദേശം 80%-ഓളം കുറഞ്ഞതായും Speak കണ്ടെത്തി.
API-യിലെ GPT‑Live‑1‑ന്റെ പ്രധാന സവിശേഷതകൾ:
തടസ്സങ്ങൾ കൈകാര്യം ചെയ്യൽ: അകത്തേക്കും പുറത്തേക്കുമുള്ള ഓഡിയോ ഒരുമിച്ച് വിശകലനം ചെയ്യുന്ന ഒരൊറ്റ മോഡലിലൂടെ സംഭാഷണങ്ങളിലെ തടസ്സങ്ങളെ മികച്ച രീതിയിൽ കൈകാര്യം ചെയ്യുന്നു. ഇത് പരമ്പരാഗത STT–LLM–TTS സംവിധാനങ്ങളിൽ ഉണ്ടാകാറുള്ള ലേറ്റൻസിയും തടസ്സങ്ങളും പൂർണ്ണമായി ഒഴിവാക്കാൻ സഹായിക്കുന്നു.
റീസണിംഗും ടൂൾ കോളിംഗ് ഡെലിഗേഷനും: GPT‑Live‑1‑ന് അതിന്റെ റീസണിംഗ് പ്രക്രിയകളും ടൂൾ കോളുകളും ബാക്കെൻഡ് ടെക്സ്റ്റ് മോഡലായ GPT‑6 Astra-യിലേക്കൊ അല്ലെങ്കിൽ മറ്റേതെങ്കിലും മൂന്നാംകക്ഷി മോഡലുകളിലേക്കൊ കൈമാറാൻ സാധിക്കും.
ശബ്ദഭാവം, വേഗം, ശൈലി: സിസ്റ്റം പ്രോംപ്റ്റിലൂടെ ഏജന്റിന്റെ ശബ്ദഭാവം, വേഗം, സംഭാഷണശൈലി എന്നിവ രൂപപ്പെടുത്താൻ ഡെവലപ്പർമാരെ അനുവദിക്കുന്നു.
നിശ്ശബ്ദമായ സന്ദർഭ പരിപാലനവും പശ്ചാത്തല ശബ്ദവും: സംഭാഷണം തടസ്സപ്പെടുത്താതെയും ഓരോ ഘട്ടവും ഉറക്കെ വിവരിക്കാതെയും പശ്ചാത്തല ശബ്ദവും നിശ്ശബ്ദതയും കൂടുതൽ നന്നായി കൈകാര്യം ചെയ്യുന്നു.
ദീർഘ സെഷനുകളിലെ വിശ്വാസ്യത: നീണ്ട ആശയവിനിമയങ്ങളിൽ സന്ദർഭം നിലനിർത്താനുള്ള കഴിവും സംഭാഷണ നിലവാരവും മെച്ചപ്പെടുത്തുന്നു.
ടെലിഫോൺ പിന്തുണ: ഭക്ഷണശാലയിലെ മേശ ബുക്കിംഗ് മുതൽ ഉപഭോക്തൃ പിന്തുണവരെ, ഫോൺ കോളുകൾക്കായി ഒരേസമയം കേൾക്കുകയും സംസാരിക്കുകയും ചെയ്യുന്ന ശബ്ദ ഏജന്റുകളെ വിന്യസിക്കാൻ സഹായിക്കുന്നു.
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.
ഈ ഡെമോ സമയപരിധിയുള്ളതാണ്. ഇത് ഉപയോഗിക്കുന്നതിലൂടെ, നിങ്ങൾ OpenAI-യുടെ നിബന്ധനകൾ അംഗീകരിക്കുകയും ഞങ്ങളുടെ പ്രൈവസി പോളിസി മനസ്സിലാക്കിയതായി അംഗീകരിക്കുകയും ചെയ്യുന്നു.
പരമ്പരാഗത ശബ്ദ ഏജന്റുകൾ സംഭാഷണത്തെ എഴുത്താക്കുന്ന സംവിധാനം, റീസണിംഗ് മോഡൽ, എഴുത്തിനെ സംഭാഷണമാക്കുന്ന സംവിധാനം എന്നിവ കൂട്ടിച്ചേർക്കുന്നു. ഓരോ കൈമാറ്റവും കാലതാമസം കൂട്ടുകയും സംഭാഷണത്തിന്റെ സമയക്രമമോ സന്ദർഭമോ സ്വാഭാവിക താളമോ നഷ്ടപ്പെടാനുള്ള സാധ്യത വർധിപ്പിക്കുകയും ചെയ്യുന്നു. ഒരാൾ ഇടയ്ക്കു സംസാരിക്കുമ്പോഴോ നിർത്തുമ്പോഴോ വിഷയം മാറ്റുമ്പോഴോ എന്തു ചെയ്യണമെന്നതുൾപ്പെടെ ഈ ഘട്ടങ്ങൾ ഏകോപിപ്പിക്കേണ്ട ചുമതല പലപ്പോഴും ഡെവലപ്പർമാർക്കാണ്.
കേൾക്കുന്നതും സംസാരിക്കുന്നതും GPT‑Live‑1 ഒരൊറ്റ മോഡലിലാണ് കൈകാര്യം ചെയ്യുന്നത്, ഇത് വോയ്സ് ലെയറിനെ കൂടുതൽ ലളിതമാക്കുന്നു. സംഭാഷണങ്ങൾക്കിടയിലെ തടസ്സങ്ങളോടും പ്രതികരണങ്ങളോടും തത്സമയം പ്രതികരിക്കാൻ ഇതിന് സാധിക്കും, അതേസമയം കൂടുതൽ സങ്കീർണ്ണമായ റീസണിംഗുകളെ ഇത് ബാക്കെൻഡിലേക്ക് കൈമാറുകയും ചെയ്യുന്നു. ഇത് പശ്ചാത്തലത്തിൽ ജോലികൾ നടക്കുമ്പോൾ തന്നെ സംഭാഷണം തടസ്സമില്ലാതെ മുന്നോട്ട് കൊണ്ടുപോകാൻ സഹായിക്കുന്നു.
സംഭാഷണത്തിനു പിന്നിലെ മോഡലുകളും ഉപകരണങ്ങളും ഏജന്റ് ഹാർനെസും ഡെവലപ്പർമാർ തിരഞ്ഞെടുക്കുന്നു. ഉദാഹരണത്തിന്, സമയക്രമം നിശ്ചയിക്കൽ, ഓർഡർ വിവരങ്ങൾ പുതുക്കൽ തുടങ്ങിയ വലിയ തോതിലുള്ള ജോലികൾക്കായി GPT‑Live‑1‑നെ Luna പോലുള്ള മോഡലുമായി ബന്ധിപ്പിക്കാം. റീസണിംഗ് ആവശ്യമായ സങ്കീർണ ഉപഭോക്തൃ പ്രശ്നങ്ങൾക്ക് Astra പോലുള്ള മോഡലും ഉപയോഗിക്കാം. ഈ വഴക്കം ഓരോ ജോലിക്കും അനുയോജ്യമായ റീസണിംഗ് ആഴവും വേഗവും ചെലവും തിരഞ്ഞെടുക്കാൻ ഡെവലപ്പർമാരെ സഹായിക്കുന്നു.
GPT‑Live‑1 തനതായിത്തന്നെ ASR പകർപ്പെഴുത്തുകളും പ്രതികരണ കുറിപ്പുകളും നൽകുന്നു. അക്ഷരങ്ങളും അക്കങ്ങളും ചേർന്ന ഉള്ളടക്കം മനസ്സിലാക്കുന്നതിലും ഇതിന് മികച്ച കഴിവുണ്ട്; മുഖ്യപദങ്ങൾക്ക് മുൻഗണന നൽകുന്നതിനും സാധിക്കും. GPT‑Live‑1 ഒരു ടേൺ-ബേസ്ഡ് മോഡൽ അല്ലെങ്കിലും ഇത് സ്വയമേവ തന്നെ ടേൺ ഡിറ്റക്ഷനെ പിന്തുണയ്ക്കുന്നുണ്ട്; അതിനാൽ ഡെവലപ്പർമാർക്ക് കൃത്യമായ ടേൺ ബൗണ്ടറികൾ അടിസ്ഥാനമാക്കിത്തന്നെ തുടർന്നും ആപ്പുകൾ നിർമ്മിക്കാൻ സാധിക്കും.
ഞങ്ങളുടെ വിലയിരുത്തലുകളിൽ ഉടനീളം, GPT‑Realtime‑2.1-നെ അപേക്ഷിച്ച് Full Duplex Bench പ്രകടനത്തിൽ 30 ശതമാനത്തിന്റെ വർദ്ധനവാണ് GPT‑Live‑1 കാഴ്ചവെച്ചിരിക്കുന്നത്, ഇതോടൊപ്പം സംഭാഷണങ്ങളിലെ കൈമാറ്റ വേഗതയിലും പരസ്പരമുള്ള ഇടപെടൽ രീതികളിലും വലിയ മുന്നേറ്റവും ഉണ്ടായിട്ടുണ്ട്. ഇടത്തരം റീസണിംഗ് എഫർട്ടിൽ GPT‑6 Astra-യുമായി ചേർത്താൽ, എൻഡ്-ടു-എൻഡ് ടാസ്കുകളിൽ അത്യാധുനിക വോയ്സ്-ഏജന്റ് ഇൻ്റലിജൻസ് അളക്കുന്ന Tau3-ൽ ഇതും #1-ാം സ്ഥാനത്താണ്.
എയർലൈൻ, റീട്ടെയിൽ, ടെലികോം മേഖലകളിലെ ഉപഭോക്തൃ സേവന വിഭാഗത്തിലെ ഫോൺ സംഭാഷണങ്ങളെ ഇത് വിലയിരുത്തുന്നു. ടാസ്കിന്റെ വിജയശതമാനം അളക്കാൻ Pass@1 ആണ് ഉപയോഗിക്കുന്നത്; പ്രധാന തലക്കെട്ടിൽ ഓരോ മേഖലയ്ക്കും തുല്യ പ്രാധാന്യമാണ് നൽകിയിരിക്കുന്നത്.
* GPT Live ബാക്കെൻഡ്: Astra (ഇടത്തരം).
നോളഡ്ജ് റിട്രീവൽ, അക്കൗണ്ട് ടൂളുകൾ എന്നിവയുൾപ്പെടുന്ന ബാങ്കിംഗ് സപ്പോർട്ട് സംഭാഷണങ്ങളെ ഇത് വിലയിരുത്തുന്നു. വിജയകരമായി പൂർത്തിയാക്കിയ 97 banking_knowledge ടാസ്കുകളുടെ അനുപാതമാണ് Pass@1.
* GPT Live ബാക്കെൻഡ്: Astra (ഇടത്തരം).
സംഭാഷണങ്ങളിലെ ഇടവേളകൾ കൈകാര്യം ചെയ്യൽ, പരസ്പരമുള്ള കൈമാറ്റങ്ങൾ, തടസ്സപ്പെടുത്തലുകൾ, ശ്രോതാവിന്റെ പ്രതികരണങ്ങൾ എന്നിവയെ ഇത് വിലയിരുത്തുന്നു.
പശ്ചാത്തലത്തിലുള്ള സംഭാഷണങ്ങൾ, മറ്റൊരാളോടുള്ള സംഭാഷണങ്ങൾ, ശ്രോതാവിന്റെ പ്രതികരണങ്ങൾ, തടസ്സപ്പെടുത്തലുകൾ എന്നിവയോടുള്ള പ്രതികരണങ്ങളെ ഇത് പരിശോധിക്കുന്നു.
ഉപയോക്താവ് ഒരു ടേൺ പൂർത്തിയാക്കിയ ശേഷം ഏജന്റ് എത്ര വേഗത്തിലാണ് മറുപടി നൽകാൻ തുടങ്ങുന്നതെന്ന് അളക്കുന്നു.
സ്വാഭാവിക ഇടവേളകൾ, മടിച്ചുനിൽപ്പുകൾ, സ്വയം തിരുത്തലുകൾ എന്നിവ അടങ്ങിയ സംഭാഷണ രൂപത്തിലുള്ള അഭ്യർത്ഥനകളിൽ നിന്നുള്ള ടൂളുകളുടെ ഉപയോഗത്തെ ഇത് പരിശോധിക്കുന്നു. Pass@1 ടൂൾ-കോൾ ക്രമത്തിന് സ്കോർ നൽകുന്നു.
* GPT Live ബാക്കെൻഡ്: Terra (താഴ്ന്നത്).
താൽക്കാലിക നിർത്തലുകൾ, മടിച്ചുനിൽക്കലുകൾ, സ്വയം-തിരുത്തലുകൾ എന്നിവ ഉൾക്കൊള്ളുന്നതും ടൂളുകൾ ഉപയോഗിച്ചുകൊണ്ടുള്ളതുമായ അഭ്യർത്ഥനകൾക്ക് നൽകുന്ന മറുപടി സംഭാഷണങ്ങളെ ഇത് വിലയിരുത്തുന്നു. ഉത്തരം ഉദ്ദേശിച്ച ആശയവുമായി എത്രത്തോളം പൊരുത്തപ്പെടുന്നുവെന്ന് ഇത് സ്കോർ ചെയ്യുന്നു.
* GPT Live ബാക്കെൻഡ്: Terra (താഴ്ന്നത്).
തങ്ങളുടെ ഉൽപ്പന്നത്തിന് യോജിക്കുന്നതും ഉപയോക്താക്കൾക്ക് സ്വാഭാവികമായി തോന്നുന്നതുമായ ശബ്ദങ്ങൾ ഡെവലപ്പർമാർക്ക് ആവശ്യമാണ്. GPT‑Live‑1 ഉപയോഗിച്ച്, ഏതാനും തത്സമയ ശബ്ദങ്ങളിൽനിന്ന് വിവിധ ഉച്ചാരണഭേദങ്ങളും പ്രാദേശിക ഭാഷാഭേദങ്ങളും ഭാഷകളും ഉൾപ്പെടുന്ന വിപുലമായ ശേഖരത്തിലേക്ക് ഞങ്ങൾ വികസിക്കുന്നു. ഇതിലൂടെ അസിസ്റ്റന്റുകളുടെ ശബ്ദം തിരഞ്ഞെടുക്കാൻ ഡെവലപ്പർമാർക്ക് കൂടുതൽ അവസരം ലഭിക്കും.
വരും മാസങ്ങളിൽ ശബ്ദ ഓപ്ഷനുകളും ലഭ്യമായ ഭാഷകളും ഞങ്ങൾ തുടർന്നും വിപുലീകരിക്കും.
ഫ്രണ്ട്-എൻഡ് വോയ്സ് ലെയറിന് മിനിറ്റിന് $0.05 നിരക്കിൽ GPT‑Live‑1 ഇന്ന് API-യിൽ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ലഭ്യമാണ്. നിങ്ങളുടെ ഉൽപ്പന്നത്തിന് യോജിക്കുന്ന ബാക്ക്-എൻഡ് മോഡലുമായും ഏജന്റ് ഹാർനെസുമായും ഇതിനെ ബന്ധിപ്പിച്ച്, നിർവഹിക്കേണ്ട ജോലിക്കനുസരിച്ച് വിപുലീകരിക്കാവുന്ന ശബ്ദാനുഭവം സൃഷ്ടിക്കുക.
കസ്റ്റം വോയ്സ് ആക്സസിനുള്ള യോഗ്യതയെക്കുറിച്ചും അപേക്ഷാ പ്രക്രിയയെക്കുറിച്ചും കൂടുതൽ അറിയാൻ സെയിൽസ് വിഭാഗവുമായി ബന്ധപ്പെടുക.
GPT‑Live‑1 അടിസ്ഥാനമാക്കി വോയ്സ് പ്രവർത്തനരീതികൾ നിർമിക്കാനുള്ള മറ്റൊരു മാർഗം, തത്സമയ വോയ്സ് ഇടപെടലുകൾക്ക് കരുത്തേകാൻ മോഡൽ ഉപയോഗിക്കുന്ന OpenAI Presence ആണ്. ചോദ്യങ്ങൾക്ക് മറുപടി നൽകാനും പ്രശ്നങ്ങൾ പരിഹരിക്കാനും കമ്പനിയുടെ സിസ്റ്റങ്ങൾ ഉപയോഗിക്കാനും അനുമതിയുള്ള പ്രവർത്തനങ്ങൾ നടത്താനും ആവശ്യമെങ്കിൽ ആളുകളിലേക്ക് കൈമാറാനും സാധിക്കുന്ന വിശ്വസനീയമായ AI ഏജന്റുകളെ വിന്യസിക്കാൻ സ്ഥാപനങ്ങളെ Presence സഹായിക്കുന്നു. കൂടുതലറിയാൻ നിങ്ങളുടെ OpenAI അക്കൗണ്ട് ഡയറക്ടറെ ബന്ധപ്പെടുക.

