GPT‑Live‑ийг танилцуулж байна

Бид AI-тай ярихыг жинхэнэ яриа шиг илүү мэдрүүлдэг шинэ үеийн дуу хоолойн загварууд болох GPT‑Live‑ийг гаргаж байна.

GPT‑Live нь бүрэн дуплекс архитектур дээр бүтээгдсэн тул нэгэн зэрэг сонсож, ярьж чадна. Ярианы үеэр GPT‑Live “мм-хмм” эсвэл “тийм ээ” гэх мэт үгсээр анхаарал тавьж байгаагаа харуулж, хурдан харилцан яриа өрнүүлж эсвэл танд бодох мөч хэрэгтэй үед зүгээр л чимээгүй байж чадна. Үр дүнд нь ярихад гайхмаар амар дуут туршлага бий болдог.

GPT‑Live нь мөн өнөөг хүртэлх манай хамгийн ухаалаг дуут загвар юм. Вэб хайлт, гүнзгий сэтгэн бодох эсвэл илүү төвөгтэй ажил шаардсан асуултад энэ нь ар талдаа манай хамгийн сүүлийн хил хязгаарын загварт даалгаж, үр дүн бэлэн болмогц ярианд буцаан авчирдаг. Ажиллаж байхдаа GPT‑Live тантай үргэлжлүүлэн ярьж, ярианы урсгалыг хадгалж чадна. Эхний хувилбарт GPT‑Live ар талдаа GPT‑5.5 ашиглана. Бид шинэ хил хязгаарын загварууд гаргах бүрдээ GPT‑Live‑ийн ашигладаг загварыг тасралтгүй шинэчилнэ.

Эдгээр дэвшил нь илүү ухаалаг, ашиглахад байгалийн шинэ ChatGPT Voice туршлагыг ажиллуулна. Цаг хугацаа өнгөрөх тусам энэ судалгаа дуу хоолойг улам бүр төвөгтэй, удаан үргэлжлэх, илүү агентлаг шинжтэй ажилд ашиглах боломжийг нээнэ гэж бид үзэж байна.

Бид өнөөдрөөс GPT‑Live‑1 болон GPT‑Live‑1 mini гэсэн GPT‑Live‑ийн хоёр хувилбарыг дэлхий даяарх ChatGPT хэрэглэгчдэд нэвтрүүлж эхэлж байна. Мөн бид удахгүй тэдгээрийг API-д нэвтрүүлэхээр төлөвлөж байгаа бөгөөд хөгжүүлэгчид болон байгууллагууд энэ маягт⁠-ыг ашиглан мэдэгдэл авахаар бүртгүүлж болно.

Манай зорилго бол AI-тай хамтран ажиллах нь өөр хүнтэй ажиллахтай адил уян, шуурхай санагдаж, сэтгэн бодох болон төвөгтэй даалгавар гүйцэтгэх нь ар талд саадгүй явагддаг, үнэхээр байгалийн хүн–AI харилцааг бий болгох явдал юм.

Дуут AI системийн өмнөх үеүүд биднийг энэ зорилгод ойртуулсан ч чухал буултуудтай байсан.

Шаталсан дуут системүүд ээлж бүрийг боловсруулахын тулд нэг нэгээрээ ажилладаг цуврал загварт тулгуурладаг. Анхны ChatGPT Voice гурван загварыг холбоод ашигладаг байсан: таны яриаг бичвэр болгох ярианаас-бичвэрт загвар, хариулт үүсгэх том хэлний загвар, мөн түүнийг буцаан яриа болгох бичвэрээс-ярианд загвар. Энэ хандлага бидэнд анх удаа хил хязгаарын AI загваруудтай ярих боломж өгсөн ч төвөгтэй байдал нь үнэтэй туссан: загваруудын хооронд мэдээлэл алдагдаж, хариултууд удаан бөгөөд хөшүүн байв.

ChatGPT дэвшилтэт дууны горим зэрэг ээлжид суурилсан дуут загварууд аудиог нэг загвар дотор боловсруулж, үүсгэдэг тул саатлыг бууруулж, яриаг илүү жигд болгосон ч тэд салангид ээлжээр л ажилласаар байсан. Загвар хариулахын өмнө хэрэглэгч ярьж дуусахыг хүлээх шаардлагатай байсан тул харилцан яриа хөшүүн болсон. Мөн ээлж илрүүлэх нь чимээгүй байдалд тулгуурладаг тул богинохон завсарлага эсвэл арын чимээ хүртэл ээлж дууссан гэж андуурагдаж, загвар байгалийн бус үед таслахад хүргэдэг байв.

GPT‑Live эдгээр хязгаарлалтыг архитектурын хоёр өөрчлөлтөөр шийддэг.

Нэгдүгээрт, бид GPT‑Live‑ийг бүрэн дуплекс архитектур ашиглан тасралтгүй харилцан үйлчлэлд зориулж бүтээсэн. Тусдаа мессежүүдийн дарааллыг боловсруулахын оронд GPT‑Live гаралт үүсгэх явцдаа оролтыг тасралтгүй боловсруулдаг. Тиймээс загвар секундэд олон удаа харилцан үйлчлэлийн шийдвэр гаргаж чадна: ярих уу, үргэлжлүүлэн сонсох уу, түр зогсох уу, таслах уу, эсвэл хэрэгсэл дуудах уу.

Ингэснээр загвар илүү байгалийн харилцан яриа өрнүүлж, цаг хугацааны мэдрэмжээ илүү сайн хадгалж, бүр шууд орчуулга хийх боломжтой.

Хоёрдугаарт, бид тасралтгүй харилцан үйлчлэлийг хариуцдаг GPT‑Live‑ийг гүнзгий ажлаас салгасан. Асуулт хайлт, сэтгэн бодох эсвэл илүү агентлаг чадвар шаардах үед GPT‑Live даалгаврыг GPT‑5.5 зэрэг өөр загварт даалгаж чадна. Ингэснээр ар талд олон даалгавар гүйцэтгэж байхдаа ч яриаг үргэлжлүүлэх боломжтой.

Энэ архитектурын өөрчлөлт нь GPT‑Live‑д хамгийн сүүлийн загварууд болон агентуудыг тасралтгүй ашиглаж, хил хязгаарын оюун ухааныг байгалийн харилцан үйлчлэлтэй хослуулах боломжийг мөн олгодог.

Бид таатай байдал болон ярианы урсгалыг хэмжих хүний шинэ үнэлгээнүүдийг бүтээсэн. Эдгээр шууд харьцуулалтад GPT‑Live‑1 болон GPT‑Live‑1 mini нь нийт сонголт, ээлжлэн ярих, таслах, ярианы урсгал, харилцан үйлчлэл бүр хэр байгалийн санагдсаныг хэмжсэн тааруулсан 5–10 минутын ярианд дэвшилтэт дууны горимоос илт илүүд үзэгдсэн.

• GPQA: GPT‑Live‑1 нь биологи, хими, физикийн мэргэжлийн түвшний шинжлэх ухааны сэтгэн бодох чадварыг шалгадаг GPQA дээр дэвшилтэт дууны горимоос үлэмж давуу үзүүлэлттэй.
• BrowseComp: GPT‑Live‑1 нь агентлаг вэб хайлт болон олоход хэцүү мэдээллийг олох чадварыг шалгадаг BrowseComp дээр дэвшилтэт дууны горимоос ихээхэн ахицтайг харуулсан.
• τ³-Voice Telecom**: GPT‑Live‑1 нь дуут агентуудыг бодитой, олон ээлжит харилцаа холбооны дэмжлэгийн даалгаварт шалгадаг τ³-Voice Telecom дээр дэвшилтэт дууны горимоос давуу үзүүлэлттэй.

Долоо хоног бүр 150 сая гаруй хүн Voice болон Dictation зэрэг функцээр ChatGPT‑тэй ярилцдаг. Тэд үүнийг гараа ашиглалгүй өдөр тутмын тусламж авах, хэлний дадлага хийх, унтахын өмнөх үлгэр ярих эсвэл ажилдаа явах замдаа зүгээр л ярилцахад ашигладаг.

Өнөөдрөөс эхлэн та ChatGPT‑тэй ярихын тулд Voice товчийг дарахад GPT‑Live‑ээр ажилладаг, илүү байгалийн яриа, ухаалаг хариулт, илүү сайн сонсголт, дүрслэлтэй хариулт бүхий сайжруулсан туршлага авах болно.

ChatGPT‑тэй ярих нь одоо жинхэнэ яриа шиг илүү мэдрэгдэх ёстой. Та асуултаар тасалж, бодлоо цэгцлэхээр түр зогсож эсвэл ChatGPT‑ээс удаашруулахыг хүсэж болно. Таны хэлж байгааг анхааралтай дагаж буйгаа мэдэгдэхийн тулд “мм-хмм” эсвэл “ойлголоо” гэх мэт үгсээр байгалийн байдлаар хариу өгнө. Мөн бид GPT‑Live‑д зориулж ChatGPT доторх есөн өөр дуу хоолойг дахин боловсруулсан.

ChatGPT Voice одоо манай хамгийн сүүлийн хил хязгаарын загваруудыг ашиглаж, хэрэгтэй үед танд илүү ухаалаг хариулт өгч чадна. Та хэрэгцээндээ тохирох сэтгэн бодох түвшнийг мөн сонгож болно: хурдан хариултад Instant, харин ChatGPT‑ийг илүү удаан бодоосой гэж хүсвэл Medium болон High.

Та хэсэг бодох үед ChatGPT Voice яаран орж таслахын оронд одоо хүлээнэ. Та түүнээс чимээгүй байж сонсохыг хүсвэл тэгнэ. Мөн замын хөдөлгөөн эсвэл ойролцоох яриа зэрэг арын чимээ гарсан үед ChatGPT сатаарахын оронд таны дуу хоолойд илүү сайн төвлөрнө.

Зарим хариултыг харах боломжтой үед илүү хэрэгтэй байдаг. Таныг ярьж байх үед ChatGPT одоо цаг агаар, хувьцаа, спорт зэрэг сэдвээр баялаг дүрслэлт картууд харуулж чадна. Voice нь хайлт, санах ой, зураг болон файл байршуулахыг мөн үргэлжлүүлэн дэмжинэ.

Үр дүнд нь өдөр тутмын амьдралд илүү байгалийн, илүү чадвартай, илүү хэрэгтэй ChatGPT Voice туршлага бий болно.

GPT‑Live нь анхнаасаа аюулгүй байхаар бүтээгдсэн. Энэ нь манай хамгийн сүүлийн загваруудын аюулгүй байдлын ахицад тулгуурлахын зэрэгцээ гол эрсдэлийн хүрээнд тусгай аюулгүй байдлын сургалт, дуу хоолойд зориулагдсан шинэ хамгаалалтуудыг нэмсэн.

Хүмүүс дуу хоолойг бодит орчинд хэрхэн ашигладгийг илүү сайн тусгахын тулд бид аюулгүй байдлын туршилтаа шинэ, аудиод суурилсан үнэлгээнүүдээр өргөтгөж эхэлсэн. Мөн дэвшилтэт дууны горимоос сурсан зүйлдээ тулгуурлан, үүсгэсэн аудио ашиглаж гол аюулгүй байдлын чиглэлүүдэд илүү гүн төвлөрөх синтетик үнэлгээнүүдийг бүтээсэн. Эдгээр чиглэлд өөртөө хор хүргэх, психоз ба маниа, AI-д сэтгэл хөдлөлөөр түшиглэх, хүчирхийлэл болон бэлгийн агуулга багтана. Дотоод мэргэжилтнүүд мөн дуу хоолойд өвөрмөц эрсдэлүүдийн хувьд загварыг red-team туршилтад оруулсан.

Манай туршилтаар GPT‑Live нь бидний үнэлсэн бараг бүх чиглэлд дэвшилтэт дууны горимтой дүйцэхүйц эсвэл түүнээс сайн ажилласан. Манай туршилт болон хамгаалалтын талаар GPT‑Live‑ийн системийн карт⁠(шинэ цонхонд нээгдэнэ)-аас дэлгэрэнгүй уншиж болно.

Дуут харилцан яриа бодит цагт өрнөдөг тул загвар ярьж байх үед ажиллаж чадах хамгаалалтуудыг бид мөн бүтээсэн. Систем болзошгүй аюултай гаралтыг илрүүлэх үед загварыг илүү аюулгүй хариулт руу чиглүүлж, нэмэлт аюулгүй байдлын мессеж эсвэл нөөц харуулах, эсвэл өндөр эрсдэлтэй тохиолдолд дуут яриаг дуусгаж чадна. Өөртөө хор хүргэхтэй холбоотой ярианд бид ChatGPT‑ийн дэмжлэгийн урсгалыг дуу хоолойд тохируулж, мэргэжилтнээр шалгуулсан хямралын тусламжийн шугамын дэмжлэг санал болгохыг багтаасан.

Өсвөр насны хэрэглэгчдийг дэмжих нэмэлт хамгаалалт зохион бүтээж, зохисгүй хариултын эрсдэлийг бууруулахын тулд насанд тохирсон зан төлөвийг загварт шууд сургасан. Эцэг эхчүүд өсвөр насны хүүхэд нь ChatGPT Voice ашиглаж болох эсэхийг эцэг эхийн хяналтаар сонгож, холбоотой эцэг эхчүүдэд өөртөө хор хүргэх эсвэл амиа хорлох санаархлын шинжтэй өндөр эрсдэлтэй нөхцөлд мэдэгдэл очиж болно.

Мөн бид сэтгэл хөдлөлөөр түшиглэх асуудалд төвлөрсөн урт хугацааны хэмжилт, гаргасны дараах хяналтыг нэвтрүүлж, ойлголтоо сайжруулан хамгаалалтуудаа нарийвчилсаар байна. Сэтгэл хөдлөлийн хэрэглээ ба сэтгэл санааны сайн сайхан байдал-ын талаарх өмнөх судалгаандаа тулгуурласнаар энэ нь шинээр үүсэх хэв маягийг илрүүлэх, сэтгэл хөдлөлийн хувьд эмзэг харилцаанд систем хэрхэн хариулахыг сайжруулахад тусална.

Эцэст нь, GPT‑Live нь дуу хоолой дуурайхад биш, харилцан ярианд зориулагдсан. Энэ нь бодит хүний дуу хоолойг дуурайхаас сэргийлэх хамгаалалттайгаар ChatGPT доторх урьдчилан тодорхойлсон дуу хоолойн багцыг ашигладаг.

Бид аюулгүй байдал, сайн сайхан байдлыг дэмжихэд тууштай бөгөөд бодит хэрэглээнээс суралцахын хэрээр эдгээр хамгаалалтыг улам бэхжүүлэх болно.

GPT‑Live одоо iOS, Android болон ChatGPT.com⁠(шинэ цонхонд нээгдэнэ) дээр дэлхий даяарх ChatGPT хэрэглэгчдэд нэвтэрч байна. GPT‑Live‑1 нь Go, Plus болон Pro хэрэглэгчдийн ChatGPT Voice-ийг ажиллуулах үндсэн загвар болж, GPT‑Live‑1 mini нь Free хэрэглэгчдийн үндсэн загвар болно. Хүртээмжийн дэлгэрэнгүй мэдээллийг манай Тусламжийн төв⁠(шинэ цонхонд нээгдэнэ)-өөс авах боломжтой.

Бид GPT‑Live‑ийг ChatGPT‑ийн хамгийн түгээмэл зарим хэлэнд оновчилсон. Зарим хэл дээр загвар төрөлх бус аялгатай эсвэл ярианы ур чадварын цоорхойтой байж магадгүй. Бид хэл бүрийн туршлагыг сайжруулахаар идэвхтэй ажиллаж байна.

Эхний хувилбарт GPT‑Live нь ChatGPT дотор видео эсвэл дэлгэц хуваалцахтай дуу хоолойг дэмжихгүй ч бид эдгээр боломжийг удахгүй нэвтрүүлэхээр ажиллаж байна. Эдгээр боломж байгаа газарт та Standard болон дэвшилтэт дууны горим зэрэг ChatGPT Voice-ийн хуучин хувилбаруудад хандаж болно.