GPT‑Live सादर करत आहोत

आम्ही GPT‑Live लाँच करत आहोत, ही व्हॉइस मॉडेल्सची नवी पिढी आहे जी AI शी बोलणे खऱ्या संभाषणासारखे वाटू देते.

GPT‑Live फुल-डुप्लेक्स आर्किटेक्चरवर तयार केले आहे, म्हणजेच ते एकाच वेळी ऐकू आणि बोलू शकते. संभाषणादरम्यान, GPT‑Live “हं” किंवा “हो” अशा वाक्यांशांनी लक्ष देत असल्याचे दाखवू शकते, झटपट परस्पर प्रतिसाद देऊ शकते किंवा तुम्हाला विचार करण्यासाठी एखादा क्षण हवा असेल तेव्हा शांत राहू शकते. याचा परिणाम म्हणजे सहज बोलता येणारा, ताजातवाना वाटणारा व्हॉइस अनुभव.

GPT‑Live हे आमचे आतापर्यंतचे सर्वात बुद्धिमान व्हॉइस मॉडेलही आहे. वेब शोध, अधिक सखोल रीझनिंग किंवा अधिक जटिल काम आवश्यक असलेल्या प्रश्नांसाठी, ते पडद्यामागे आमच्या नवीनतम अत्याधुनिक मॉडेलकडे काम सोपवते आणि निकाल तयार झाल्यावर तो संभाषणात परत आणते. काम चालू असतानाही GPT‑Live तुमच्याशी बोलत राहू शकते आणि संभाषणाचा ओघ टिकवू शकते. लाँचच्या वेळी, GPT‑Live पार्श्वभूमीत GPT‑5.5 वापरेल. आम्ही नवी अत्याधुनिक मॉडेल्स रिलीज करत जाऊ तसे GPT‑Live वापरत असलेले मॉडेल आम्ही सतत अपडेट करू.

या प्रगतीमुळे अधिक बुद्धिमान आणि वापरायला नैसर्गिक असा नवा ChatGPT व्हॉइस अनुभव शक्य होतो. कालांतराने, या संशोधनामुळे व्हॉइसचा वापर अधिकाधिक जटिल, दीर्घकाळ चालणाऱ्या आणि अधिक एजंटसदृश कामांसाठी करण्याची क्षमता खुली होईल, असा आमचा विश्वास आहे.

आजपासून आम्ही GPT‑Live च्या दोन आवृत्त्या – GPT‑Live‑1 आणि GPT‑Live‑1 mini – जगभरातील ChatGPT वापरकर्त्यांसाठी रोल आउट करायला सुरुवात करत आहोत. लवकरच त्या API मध्येही आणण्याची आमची योजना आहे, आणि डेव्हलपर्स व एंटरप्रायझेसना सूचना मिळण्यासाठी या फॉर्म⁠द्वारे नोंदणी करता येईल.

खऱ्या अर्थाने नैसर्गिक मानव-AI संवाद शक्य करणे ही आमची दृष्टी आहे: असे जग जिथे AI सह सहयोग करणे दुसऱ्या व्यक्तीसोबत काम करण्याइतके प्रवाही आणि प्रतिसादक्षम वाटेल, तर रीझनिंग आणि जटिल कामांची अंमलबजावणी पार्श्वभूमीत सहजपणे घडेल.

व्हॉइस AI प्रणालींच्या जुन्या पिढ्यांनी आम्हाला त्या दृष्टीच्या जवळ नेले, पण त्यासाठी महत्त्वाच्या तडजोडी कराव्या लागल्या.

कॅस्केडेड व्हॉइस प्रणाली प्रत्येक टर्नवर प्रक्रिया करण्यासाठी एकामागोमाग एक काम करणाऱ्या मॉडेल्सच्या मालिकेवर अवलंबून असतात. मूळ ChatGPT व्हॉइसने तीन मॉडेल्स एकत्र जोडली: तुमचे बोलणे लिप्यंतरित करण्यासाठी स्पीच-टू-टेक्स्ट मॉडेल, प्रतिसाद तयार करण्यासाठी मोठे भाषा मॉडेल आणि तो पुन्हा आवाजात रूपांतरित करण्यासाठी टेक्स्ट-टू-स्पीच मॉडेल. या पद्धतीमुळे आम्हाला प्रथमच अत्याधुनिक AI मॉडेल्सशी बोलता आले, पण या गुंतागुंतीची किंमत मोजावी लागली: मॉडेल्सदरम्यान माहिती हरवू शकत होती आणि प्रतिसाद मंद व अडखळणारे होते.

ChatGPT प्रगत व्हॉइस मोड सारख्या टर्न-आधारित व्हॉइस मॉडेल्सनी एका मॉडेलमध्येच ऑडिओवर प्रक्रिया करून ऑडिओ तयार केला, त्यामुळे विलंब कमी झाला आणि संभाषणे अधिक सहज झाली — पण तरीही ती वेगवेगळ्या टर्न्समधूनच जात होती. मॉडेलला प्रतिसाद देण्यापूर्वी वापरकर्त्याने बोलणे थांबवण्याची वाट पाहावी लागत असे, त्यामुळे परस्पर संभाषण काटेकोर वाटत असे. याशिवाय, टर्न ओळखणे शांततेवर आधारित असल्यामुळे, अगदी छोटा विराम किंवा पार्श्वभूमीतील आवाजसुद्धा टर्न संपल्याचा संकेत समजला जाऊ शकत असे — त्यामुळे मॉडेल अनैसर्गिक वेळी मध्येच बोलू लागे.

GPT‑Live दोन आर्किटेक्चरल बदलांद्वारे या मर्यादा दूर करते.

पहिले, आम्ही फुल-डुप्लेक्स आर्किटेक्चर वापरून GPT‑Live सतत संवादासाठी तयार केले. स्वतंत्र संदेशांच्या क्रमावर प्रक्रिया करण्याऐवजी, GPT‑Live आउटपुट तयार करत असतानाच इनपुटवर सतत प्रक्रिया करते. त्यामुळे मॉडेल सेकंदाला अनेक वेळा संवादाविषयी निर्णय घेऊ शकते: बोलायचे की नाही, ऐकत राहायचे, थांबायचे, मध्येच बोलायचे किंवा एखादे टूल वापरायचे.

यामुळे मॉडेल अधिक नैसर्गिक परस्पर संभाषण करू शकते, वेळेची चांगली जाणीव ठेवू शकते आणि थेट भाषांतरही करू शकते.

दुसरे, सतत संवाद हाताळणारे GPT‑Live आम्ही अधिक सखोल कामापासून वेगळे केले. एखाद्या प्रश्नासाठी शोध, रीझनिंग किंवा अधिक एजंटसदृश क्षमता आवश्यक असतील, तेव्हा GPT‑Live ते काम GPT‑5.5 सारख्या दुसऱ्या मॉडेलकडे सोपवू शकते. यामुळे पार्श्वभूमीत अनेक कामे हाताळत असतानाही ते संभाषण चालू ठेवू शकते.

हा आर्किटेक्चरल बदल GPT‑Live ला नवीनतम मॉडेल्स आणि एजंट्स सतत वापरण्याची मुभाही देतो, ज्यामुळे अत्याधुनिक बुद्धिमत्ता आणि नैसर्गिक संवाद एकत्र येतात.

आनंददायीपणा आणि संभाषणाचा ओघ मोजण्यासाठी आम्ही नवीन मानवी मूल्यमापने तयार केली. या थेट तुलनांमध्ये, एकूण पसंती, टर्न घेणे, मध्येच बोलणे, संभाषणाचा ओघ आणि प्रत्येक संवाद किती नैसर्गिक वाटला हे मोजणाऱ्या तुलना केलेल्या 5–10 मिनिटांच्या संभाषणांमध्ये GPT‑Live‑1 आणि GPT‑Live‑1 mini यांना प्रगत व्हॉइस मोडपेक्षा ठाम पसंती मिळते.

• GPQA: जीवशास्त्र, रसायनशास्त्र आणि भौतिकशास्त्रातील तज्ज्ञ-स्तरीय वैज्ञानिक रीझनिंग तपासणाऱ्या GPQA वर GPT‑Live‑1 प्रगत व्हॉइस मोडपेक्षा लक्षणीयरीत्या सरस ठरते.
• BrowseComp: एजंटसदृश वेब शोध आणि शोधायला कठीण असलेली माहिती शोधण्याची क्षमता तपासणाऱ्या BrowseComp वर GPT‑Live‑1 प्रगत व्हॉइस मोडपेक्षा मोठी प्रगती दाखवते.
• τ³-Voice Telecom (अंतर्गत प्रकार)**: वास्तववादी, अनेक टर्न असलेल्या दूरसंचार सहाय्य कामांवर व्हॉइस एजंट्सची चाचणी करणाऱ्या τ³-Voice Telecom वर GPT‑Live‑1 प्रगत व्हॉइस मोडपेक्षा सरस ठरते.

दर आठवड्याला 150 दशलक्षांहून अधिक लोक Voice आणि Dictation सारख्या वैशिष्ट्यांचा वापर करून ChatGPT शी बोलतात. हात न वापरता दैनंदिन मदत मिळवण्यासाठी, भाषांचा सराव करण्यासाठी, झोपण्यापूर्वीच्या गोष्टी सांगण्यासाठी किंवा प्रवासात फक्त गप्पा मारण्यासाठी ते याचा वापर करतात.

आजपासून, ChatGPT शी बोलण्यासाठी Voice बटणावर टॅप केल्यावर तुम्हाला GPT‑Live वर चालणारा सुधारित अनुभव मिळेल, ज्यात अधिक नैसर्गिक संभाषणे, अधिक स्मार्ट उत्तरे, अधिक चांगले ऐकणे आणि दृश्य प्रतिसाद असतील.

ChatGPT शी बोलणे आता अधिक खऱ्या संभाषणासारखे वाटेल. तुम्ही मध्येच प्रश्न विचारू शकता, विचार एकत्र करण्यासाठी थांबू शकता किंवा ChatGPT ला हळू बोलायला सांगू शकता. ते तुम्ही काय म्हणत आहात याची “हं” किंवा “समजलं” अशा वाक्यांशांनी नैसर्गिकरीत्या पोच देते, त्यामुळे ते लक्ष देत आहे हे तुम्हाला कळते. GPT‑Live साठी आम्ही ChatGPT मधील नऊ वेगवेगळ्या आवाजांचेही रीमास्टरिंग केले आहे.

ChatGPT व्हॉइस आता आमच्या नवीनतम अत्याधुनिक मॉडेल्सचा आधार घेऊ शकते, त्यामुळे गरज असताना तुम्हाला अधिक स्मार्ट उत्तरे मिळतात. तुमच्या गरजेनुसार रीझनिंगची पातळीही तुम्ही निवडू शकता: जलद प्रतिसादांसाठी Instant, किंवा ChatGPT ने विचार करण्यासाठी अधिक वेळ घ्यावा असे वाटल्यास Medium आणि High.

तुम्ही विचार करण्यासाठी क्षणभर थांबलात, तर ChatGPT व्हॉइस आता मध्येच बोलण्याऐवजी थांबते. तुम्ही त्याला शांत राहून ऐकायला सांगितले, तर ते तसेच करेल आणि वाहतुकीचा आवाज किंवा जवळपासची संभाषणे असा पार्श्वभूमीतील आवाज असला, तरी ChatGPT विचलित न होता तुमच्या आवाजावर अधिक चांगले लक्ष केंद्रित करते.

काही उत्तरे पाहता आली तर अधिक उपयुक्त ठरतात. तुम्ही बोलत असताना ChatGPT आता हवामान, शेअर्स, क्रीडा आणि इतर विषयांसाठी समृद्ध दृश्य कार्ड दाखवू शकते. Voice मध्ये शोध, मेमरी, प्रतिमा आणि फाइल अपलोड्सना समर्थन कायम आहे.

यातून ChatGPT व्हॉइसचा असा अनुभव तयार होतो जो दैनंदिन जीवनात अधिक नैसर्गिक, अधिक सक्षम आणि अधिक उपयुक्त वाटतो.

GPT‑Live हे डीफॉल्टनुसार सुरक्षित असावे अशा पद्धतीने डिझाइन केले आहे. हे आमच्या नवीनतम मॉडेल्समधील सुरक्षिततेतील प्रगतीवर आधारलेले आहे, तसेच प्रमुख जोखीम क्षेत्रांमध्ये खास सुरक्षा प्रशिक्षण आणि विशेषतः व्हॉइससाठी डिझाइन केलेल्या नव्या सुरक्षात्मक उपाययोजना जोडते.

लोक वास्तविक परिस्थितीत व्हॉइस कसा वापरतात हे अधिक चांगले दर्शवण्यासाठी, आम्ही नवीन ऑडिओ-नेटिव्ह मूल्यांकनांचा समावेश करून आमची सुरक्षा चाचणी विस्तारित करण्यापासून सुरुवात केली. प्रगत व्हॉइस मोडमधून घेतलेल्या शिकवणीच्या आधारे, आम्ही जनरेट केलेल्या ऑडिओचा वापर करून प्रमुख सुरक्षा क्षेत्रांवर अधिक सखोल लक्ष केंद्रित करणारी सिंथेटिक मूल्यांकनेही तयार केली. त्या क्षेत्रांमध्ये स्वतःला इजा, सायकोसिस आणि मॅनिया, AI वर भावनिक अवलंबित्व, हिंसा आणि लैंगिक सामग्री यांचा समावेश आहे. आमच्या अंतर्गत तज्ज्ञांनी व्हॉइससाठी विशिष्ट जोखमींसाठी मॉडेलचे रेड-टीमिंगही केले.

आमच्या चाचण्यांमध्ये, आम्ही मूल्यांकन केलेल्या जवळजवळ सर्व क्षेत्रांमध्ये GPT‑Live ने प्रगत व्हॉइस मोडइतकीच किंवा त्याहून चांगली कामगिरी केली. आमच्या चाचण्या आणि सुरक्षात्मक उपायांविषयी अधिक माहिती तुम्ही GPT‑Live सिस्टम कार्ड⁠(नवीन विंडोमध्ये उघडेल)मध्ये वाचू शकता.

व्हॉइस कन्वर्सेशन्स रिअल टाइममध्ये घडत असल्यामुळे, मॉडेल बोलत असतानाच कृती करू शकतील असे सुरक्षात्मक उपायही आम्ही तयार केले. सिस्टमला संभाव्य असुरक्षित आउटपुट आढळल्यास, ते मॉडेलला अधिक सुरक्षित प्रतिसादाकडे वळवू शकते, अतिरिक्त सुरक्षा संदेश किंवा संसाधने दाखवू शकते, किंवा उच्च जोखीम असलेल्या प्रकरणांत व्हॉइस संभाषण समाप्त करू शकते. स्वतःला इजा करण्याशी संबंधित संभाषणांसाठी, आम्ही ChatGPT चे सपोर्ट फ्लोज व्हॉइससाठी रूपांतरित केले, ज्यात तज्ज्ञांनी तपासलेल्या संकटकालीन हेल्पलाइन सहाय्याची ऑफरही समाविष्ट आहे.

किशोरवयीन वापरकर्त्यांना आधार देण्यासाठी आम्ही अतिरिक्त संरक्षणे डिझाइन केली आणि अयोग्य प्रतिसादांचा धोका कमी करण्यासाठी वयानुरूप वर्तन थेट मॉडेलमध्ये प्रशिक्षित केले. आपल्या किशोरवयीन मुलाला ChatGPT व्हॉइस वापरता येईल की नाही हे पालक पॅरेंटल कंट्रोल्समधून निवडू शकतात, आणि संभाव्य स्वतःला इजा किंवा आत्महत्येच्या हेतूची चिन्हे असलेल्या उच्च जोखीम परिस्थितीत लिंक केलेल्या पालकांना सूचना मिळू शकते.

आमची समज सतत सुधारण्यासाठी आणि सुरक्षात्मक उपाय अधिक परिष्कृत करण्यासाठी आम्ही भावनिक अवलंबित्वावर लक्ष केंद्रित करणारे दीर्घकालीन मापन आणि लाँचनंतरचे मॉनिटरिंगही सुरू करत आहोत. भावनिक वापर आणि भावनिक आरोग्य यावरील आमच्या आधीच्या संशोधनावर आधार घेत, हे आम्हाला उदयाला येणारे नमुने ओळखण्यास आणि भावनिकदृष्ट्या संवेदनशील संवादांमध्ये सिस्टम कशी प्रतिसाद देते हे सुधारण्यास मदत करेल.

शेवटी, GPT‑Live संभाषणासाठी डिझाइन केले आहे, आवाजाची नक्कल करण्यासाठी नाही. ते ChatGPT मधील पूर्वनिश्चित आवाजांचा संच वापरते, आणि वास्तविक व्यक्तीच्या आवाजाची नक्कल होऊ नये यासाठी सुरक्षात्मक उपाय ठेवलेले आहेत.

सुरक्षितता आणि कल्याणाला समर्थन देण्यास आम्ही वचनबद्ध आहोत आणि वास्तविक वापरातून शिकत असताना ही संरक्षणे अधिक बळकट करत राहू.

GPT‑Live आता iOS, Android आणि ChatGPT.com⁠(नवीन विंडोमध्ये उघडेल) वर जगभरातील ChatGPT वापरकर्त्यांसाठी रोल आउट होत आहे. Go, Plus आणि Pro वापरकर्त्यांसाठी ChatGPT व्हॉइसला चालना देणारे डीफॉल्ट मॉडेल GPT‑Live‑1 असेल, आणि Free वापरकर्त्यांसाठी डीफॉल्ट GPT‑Live‑1 mini असेल. उपलब्धतेबद्दल अधिक तपशील आमच्या हेल्प सेंटर⁠(नवीन विंडोमध्ये उघडेल)मध्ये मिळू शकतात.

ChatGPT मधील काही सर्वाधिक लोकप्रिय भाषांसाठी आम्ही GPT‑Live ऑप्टिमाइझ केले आहे. काही भाषांसाठी, मॉडेलचा उच्चार मातृभाषेत बोलणाऱ्या व्यक्तीसारखा नसू शकतो किंवा प्रवाहीपणात त्रुटी असू शकतात. भाषांमधील अनुभव सुधारण्यासाठी आम्ही सक्रियपणे काम करत आहोत.

लाँचच्या वेळी, GPT‑Live ChatGPT मध्ये व्हिडिओ किंवा स्क्रीन शेअरिंगसह व्हॉइसला समर्थन देणार नाही, पण ही क्षमता लवकरच आणण्यासाठी आम्ही काम करत आहोत. ही वैशिष्ट्ये जिथे उपलब्ध आहेत तिथे Standard आणि प्रगत व्हॉइस मोडसह ChatGPT व्हॉइसच्या जुन्या आवृत्त्यांमध्ये तुम्ही अजूनही प्रवेश करू शकता.