मुख्य मजकूराकडे जा
OpenAI

१० सप्टेंबर, २०२६

प्रॉडक्टरिलीझ

API मध्ये GPT‑Live‑1 सह अधिक नैसर्गिक व्हॉइस अनुभव तयार करा

GPT‑Live‑1 हे ChatGPT चे नैसर्गिक, पूर्ण-द्विमार्गी संभाषण API वर आणते, तसेच व्हॉइस एजंट कसे बोलतात आणि कार्य करतात यावर अधिक नियंत्रण देते.

लोड होत आहे...

आम्ही API मध्ये GPT‑Live‑1 लाँच करत आहोत, ज्यामुळे डेव्हलपर्सना व्हॉइस-सक्षम अॅप्स आणि व्यावसायिक कार्यप्रवाह तयार करण्यासाठी एक शक्तिशाली, नैसर्गिक व्हॉइस मॉडेल मिळते. सर्वप्रथम ChatGPT मध्ये सादर केलेले, GPT‑Live‑1 एकाच वेळी ऐकू आणि बोलू शकते आणि, Codex आणि ChatGPT वर्क मध्ये दिसल्याप्रमाणे⁠(नवीन विंडोमध्ये उघडेल), ते पेअर केलेल्या मॉडेल्स आणि टूल्सकडे अधिक सखोल रीझनिंग आणि कृती सोपवू शकते.

GPT‑Live‑1 च्या API रिलीझसाठी, आम्ही डेव्हलपर्सना त्यांच्या वापरकर्त्यांनुसार, कार्यप्रवाहांनुसार आणि उद्दिष्टांनुसार व्हॉइस अनुभव नियंत्रित व सानुकूलित करता येतील अशा नव्या क्षमतांवर भर दिला आहे. GPT‑Live‑1 ची एक मुख्य ताकद, म्हणजे व्यत्यय सहजपणे हाताळणे, आधीच व्यावसायिक परिणाम देत आहे: सुरुवातीच्या मूल्यमापनांत Speak ला आढळले की GPT‑Live‑1 मुळे भाषा-शिक्षकाने प्रतिसाद देण्यापूर्वी शिकणाऱ्यांना विचार करण्यासाठी अधिक वेळ मिळाला आणि आधीच्या पाळी-आधारित सिस्टम्सच्या तुलनेत व्यत्यय जवळपास 80% कमी झाले.

API मधील GPT‑Live‑1 ची प्रमुख बलस्थाने:

  • व्यत्यय हाताळणी: येणाऱ्या आणि जाणाऱ्या ऑडिओवर एकत्रितपणे रीझनिंग करणाऱ्या एकाच मॉडेलद्वारे व्यत्यय हाताळणी सुधारते. त्यामुळे साखळीबद्ध STT–LLM–TTS रचनांमधील लॅटन्सी आणि अविश्वसनीय हँडऑफ टाळले जातात.

  • रीझनिंग आणि टूल कॉलिंगचे प्रतिनिधीकरण: GPT‑Live‑1 रीझनिंग आणि टूल कॉल्स GPT‑6 Astra सारख्या बॅकएंड टेक्स्ट मॉडेलकडे किंवा तृतीय-पक्ष मॉडेलकडे सोपवू शकते.

  • टोन, वेग आणि शैली: डेव्हलपर्सना सिस्टम प्रॉम्प्टद्वारे एजंटचा टोन, वेग आणि संभाषण शैली घडवता येते.

  • निःशब्द संदर्भ व्यवस्थापन आणि पार्श्वभूमीतील आवाज: संभाषणात व्यत्यय न आणता किंवा प्रत्येक टप्पा मोठ्याने न सांगता पार्श्वभूमीतील आवाज व शांतता अधिक चांगल्या प्रकारे हाताळते.

  • दीर्घ सत्रांतील विश्वासार्हता: दीर्घकाळ चालणाऱ्या संवादांमध्ये संदर्भ टिकवून ठेवण्याची क्षमता आणि संभाषणाची गुणवत्ता सुधारते.

  • फोनवरील सहाय्य: रेस्टॉरंटमधील रिझर्वेशनपासून ग्राहक सहाय्यापर्यंतच्या फोन कॉलसाठी पूर्ण-द्विमार्गी आवाज एजंट डिप्लॉय करता येतात.

Try GPT-Live-1

Start a session and speak naturally. Interrupt, laugh, change your mind - try it at home or in a loud space like a coffee shop or city street.
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.

हा डेमो वेळ-मर्यादित आहे. याचा वापर करून, आपण OpenAI च्या अटी मान्य करता आणि आमची प्रायव्हसी पॉलिसी स्वीकारता.

तुमची व्हॉइस-एजंट आर्किटेक्चर सुलभ करा आणि व्हॉइस लेटन्सी कमी करा

पारंपरिक व्हॉईस एजंट आवाजाचे मजकुरात रूपांतर, रीझनिंग मॉडेल आणि मजकुराचे आवाजात रूपांतर या घटकांना एकत्र जोडतात. प्रत्येक हँडऑफमुळे लॅटन्सी वाढते आणि संभाषणातील वेळेचा मेळ, संदर्भ किंवा नैसर्गिक लय हरवण्याची शक्यता वाढते. कोणी मध्येच बोलल्यास, थांबल्यास किंवा दिशा बदलल्यास काय करायचे यासह या टप्प्यांचा समन्वय साधण्याची जबाबदारी अनेकदा डेव्हलपर्सवरच येते.

GPT‑Live‑1 एकाच मॉडेलमध्ये ऐकणे आणि बोलणे हाताळते, त्यामुळे व्हॉइस लेयर अधिक सोपा होतो. व्यत्यय आणि अभिस्वीकृती घडताच त्यांना प्रतिसाद देऊ शकते आणि अधिक सखोल रीझनिंगची जबाबदारी बॅकएंडकडे सोपवू शकते. त्यामुळे पार्श्वभूमीत काम सुरू असतानाही संभाषण पुढे चालू राहते.

“आमच्या साखळीबद्ध निर्मितीच्या तुलनेत GPT‑Live‑1 ने आमचा कोडबेस 80% सोपा केला आणि कोडच्या 23K ओळी काढून टाकल्या. यामुळे रुग्णांशी नैसर्गिक, रीअल टाइम संभाषणे शक्य झाली आणि भेटीची वेळ नोंदवण्यापासून उपचार प्रक्रिया समजून घेण्यापर्यंतचा अनुभव सुधारण्यासाठी आमच्या टीमला वेळ मिळाला.”
—टोनी स्टोयानोव्ह, सह-संस्थापक & मुख्य तंत्रज्ञान अधिकारी

संभाषणामागील मॉडेल, टूल्स आणि एजंट हार्नेस डेव्हलपर्स निवडतात. उदाहरणार्थ, वेळापत्रक ठरवणे किंवा ऑर्डरची माहिती अपडेट करणे यांसारख्या मोठ्या प्रमाणातील कामांसाठी ते GPT‑Live‑1 सोबत Luna सारखे मॉडेल वापरू शकतात आणि रीझनिंगची गरज असलेल्या ग्राहकांच्या गुंतागुंतीच्या समस्यांसाठी Astra सारखे मॉडेल वापरू शकतात. या लवचिकतेमुळे डेव्हलपर्सना प्रत्येक कामासाठी रीझनिंगची खोली, वेग आणि खर्च यांचा योग्य मेळ साधता येतो.

GPT‑Live‑1 मध्ये ASR ट्रान्स्क्रिप्ट आणि प्रतिसादाचा मजकूर मूळतः उपलब्ध आहेत. ते अक्षरे व अंक समजून घेण्याची उत्तम क्षमता देते आणि कीवर्ड बायसिंगलाही समर्थन देते. GPT‑Live‑1 हे टर्न-आधारित मॉडेल नसले, तरी त्यात टर्न ओळखण्याची मूळ क्षमता आहे. त्यामुळे डेव्हलपर स्पष्ट टर्न-सीमांच्या आधारे निर्मिती सुरू ठेवू शकतात.

पूर्ण-द्विमार्गी क्षमतेचा लाभ मापणे

आमच्या मूल्यमापनांमध्ये, GPT‑Live‑1 ने GPT‑रिअलटाइम‑2.1 पेक्षा Full Duplex Bench वरील कामगिरी 30 टक्के पॉइंट्सने सुधारली आहे, पाळी घेण्यातील लेटन्सी आणि परस्परसंवादी वर्तनात मोठी सुधारणा झाली आहे. मध्यम रीझनिंग प्रयत्नासह GPT‑6 Astra शी जोडल्यावर, संपूर्ण कामांवरील अत्याधुनिक व्हॉईस-एजंट बुद्धिमत्ता मोजणाऱ्या Tau3 वरही ते #1 क्रमांकावर आहे.

एअरलाइन, रिटेल आणि टेलिकॉम डोमेनमधील बोलल्या जाणाऱ्या ग्राहक-सेवा कामांचे मूल्यांकन करते. Pass@1 कामातील यश मोजते; शीर्षक प्रत्येक डोमेनला समान महत्त्व देते.


* GPT Live बॅकएंड: Astra (मध्यम).

ज्ञान प्राप्ती आणि खाते टूल्ससह बोलल्या जाणाऱ्या बँकिंग सहाय्याचे मूल्यांकन करते. Pass@1 म्हणजे यशस्वीरित्या पूर्ण झालेल्या 97 banking_knowledge कार्यांचे प्रमाण.


* GPT Live बॅकएंड: Astra (मध्यम).

विराम हाताळणी, संभाषणातील आळीपाळीने बोलणे, व्यत्यय आणि प्रतिसादात्मक संकेतांचे मूल्यमापन करते.

पार्श्वभूमीतील भाषण, दुसऱ्या व्यक्तीशी बोलणे, श्रोत्यांकडून मिळणारे प्रतिसाद आणि व्यत्यय यांवरील प्रतिक्रिया तपासते.

वापरकर्त्याचा टर्न संपल्यानंतर एजंट किती लवकर उत्तर देण्यास सुरुवात करते हे मोजते.

नैसर्गिक विराम, संकोच आणि स्वतःच्या दुरुस्त्या असलेल्या बोलल्या जाणाऱ्या विनंत्यांमधील टूल वापराची चाचणी करते. Pass@1 टूल-कॉल क्रमाचे गुणांकन करते.


* GPT Live बॅकएंड: Terra (कमी).

विराम, संकोच आणि स्वतः केलेल्या दुरुस्त्या असलेल्या टूल-वापरण्याच्या विनंत्यांच्या बोलल्या गेलेल्या उत्तराचे मूल्यांकन करते. उत्तर संदर्भातील हेतूशी किती चांगले जुळते याचे गुणांकन करते.


* GPT Live बॅकएंड: Terra (कमी).

ग्राहकांचे अभिप्राय

4पैकी 1
“Yelp Host आणि Hatch मध्ये GPT‑Live‑1 जोडल्यामुळे आमच्या पारंपरिक व्हॉइस आर्किटेक्चरच्या तुलनेत संवादातील आळीपाळी आणि अचूकता सुधारली. Yelp Host रिझर्वेशन आणि खाद्यपदार्थांच्या ऑर्डरसारख्या कॉलना उत्तर देण्यासाठी GPT‑Live‑1 वापरते, तेव्हा कॉल हाताळणीच्या दरात लक्षणीय सुधारणा दिसत आहे. कॉल करणारे लोक अधिक पूर्ण आणि नैसर्गिक वाक्यांतही बोलत आहेत. यावरून फोनच्या दुसऱ्या बाजूचा अनुभव खरोखरच वेगळा वाटत असल्याचे दिसते.”
—अलेक्स लेव्ही, मुख्य तंत्रज्ञान अधिकारी

नवे व्हॉईस पर्याय

डेव्हलपर्सना त्यांच्या उत्पादनाला साजेसे आणि वापरकर्त्यांना नैसर्गिक वाटणारे आवाज हवे असतात. GPT‑Live‑1 द्वारे आम्ही मोजक्या रीअल टाइम आवाजांऐवजी विविध उच्चार, बोली आणि भाषांमधील अधिक पर्याय देत आहोत, ज्यामुळे डेव्हलपर्सना त्यांच्या असिस्टंटचा आवाज कसा असावा याचे अधिक स्वातंत्र्य मिळते.

नवीन व्हॉइस ऐका

येत्या काही महिन्यांत आम्ही आवाजांचे पर्याय आणि उपलब्ध भाषा आणखी वाढवत राहू.

किंमत आणि उपलब्धता

GPT‑Live‑1 आज API मध्ये उपलब्ध आहे⁠(नवीन विंडोमध्ये उघडेल), फ्रंट-एंड आवाज स्तरासाठी प्रति मिनिट $0.05 या दराने. तुमच्या उत्पादनाला अनुरूप असलेल्या बॅकएंड मॉडेल आणि एजंट हार्नेसशी ते जोडा, नंतर करावयाच्या कामानुसार विस्तारता येईल असा आवाज अनुभव तयार करा.

GPT-Live-1 ला Codexशी जोडणे

1
import { Codex } from "@openai/codex-sdk";
2

3
const thread = new Codex().startThread({
4
  workingDirectory: "./repo",
5
  sandboxMode: "read-only",
6
  approvalPolicy: "never",
7
});
8

9
async function answer(live, delegationId, context) {
10
  const { finalResponse } = await thread.run(
11
    `Answer the latest question using this repo.
12
     Reply in two short spoken sentences.\n${context}`
13
  );
14

15
  live.send({
16
    type: "session.commentary.append",
17
    delegation_id: delegationId,
18
    content: finalResponse,
19
  });
20
}

GPT-Live-1 ला Codex शी जोडणे. हा उतारा दाखवतो की ॲप्लिकेशन संभाषणाचा संदर्भ Codex कडे कसा पाठवते आणि त्याचे उत्तर GPT-Live-1 कडे कसे परत पाठवते. कनेक्शन सेटअप आणि डेलिगेशन हाताळणी वगळली आहे.

कस्टम आवाजाचा प्रवेश मिळवण्यासाठी पात्रता आणि विनंती प्रक्रियेबद्दल अधिक जाणून घेण्यासाठी विक्री विभागाशी संपर्क साधा.

GPT‑Live‑1 वर व्हॉइस वर्कफ्लो तयार करण्याचा आणखी एक मार्ग म्हणजे OpenAI Presence, जे रिअल-टाइम व्हॉइस इंटरॅक्शन सक्षम करण्यासाठी मॉडेलचा वापर करते. Presence एंटरप्राइझना विश्वासार्ह AI एजंट डीप्लॉय करण्यात मदत करते; हे एजंट प्रश्नांची उत्तरे देऊ शकतात, समस्या सोडवू शकतात, कंपनीच्या प्रणाली वापरू शकतात, मंजूर कृती करू शकतात आणि गरज पडल्यास लोकांकडे एस्कलेट करू शकतात. अधिक माहितीसाठी तुमच्या OpenAI खाते संचालकाशी संपर्क साधा.

लेखक

OpenAI

वाचत राहा

सर्व पहा
Helping teens learn, plan, and shape the future of AI — Cover
किशोरांना शिक्षण, नियोजन व कृत्रिम बुद्धिमत्तेत मदत

प्रॉडक्ट

सर्वांसाठी GPT-6 आणि बुद्धिमान इंटरफेस

प्रॉडक्ट

Building advertising for the way people use AI — Cover
लोकांच्या AI वापराला साजेशा जाहिराती घडवणे

प्रॉडक्ट