Przedstawiamy GPT‑Live

Wprowadzamy GPT‑Live, nową generację modeli głosowych, dzięki którym konwersacja z AI znacznie bardziej przypomina rozmowę z człowiekiem.

GPT‑Live opiera się na architekturze full-duplex, co oznacza, że model może słuchać i mówić jednocześnie. Podczas rozmów GPT‑Live może informować, że słucha, zwrotami takimi jak „mhmm” czy „tak”, prowadzić szybką wymianę zdań albo po prostu milczeć, gdy potrzebujesz chwili na zastanowienie. Dzięki temu z trybu głosowego korzysta się płynnie i przyjemnie.

GPT‑Live to także nasz najinteligentniejszy model głosowy. W przypadku pytań wymagających wyszukiwania w internecie, głębszego rozumowania lub bardziej złożonej pracy deleguje on te zadania w tle do naszego najnowszego pionierskiego modelu i dodaje ich wynik do rozmowy. Podczas tych operacji GPT‑Live może dalej z Tobą rozmawiać i utrzymywać płynność konwersacji. W momencie premiery GPT‑Live będzie używać w tle modelu GPT‑5.5. Wraz z premierami nowych modeli pionierskich będziemy zmieniać model używany przez GPT‑Live.

Niniejsze postępy zapewniają, że korzystanie z ChatGPT Voice jest naturalne i inteligentne. Uważamy, że w przyszłości możliwe będzie używanie funkcji głosowej do realizacji coraz bardziej złożonych i długich zadań oraz zastosowań agentowych.

Od dziś dla użytkowników ChatGPT na całym świecie zaczynamy wdrażać dwie wersje GPT‑Live: GPT‑Live‑1 i GPT‑Live‑1 mini. Planujemy też wkrótce udostępnić je w API, a deweloperzy i firmy mogą zarejestrować się tutaj⁠, aby otrzymać powiadomienie.

Naszą wizją jest zapewnienie naturalnej możliwości interakcji z AI, czyli płynnego i responsywnego korzystania z AI porównywalnego do rozmowy z drugą osobą, podczas której rozumowanie i wykonywanie złożonych zadań odbywają się w tle.

Starsze generacje głosowych systemów AI przybliżyły nas do tej wizji, ale wiązały się z istotnymi kompromisami.

Kaskadowe systemy głosowe składają się z szeregu modeli działających jeden po drugim, które przetwarzają każdą wymianę informacji. Pierwotnie ChatGPT Voice łączył trzy modele: model zamiany mowy na tekst w celu wykonania transkrypcji wypowiedzi, duży model językowy do tworzenia odpowiedzi oraz model zamiany tekstu na mowę do ponownego przekształcenia jej w wypowiedź głosową. To rozwiązanie po raz pierwszy pozwoliło nam rozmawiać z pionierskimi modelami AI, ale złożoność całego systemu powodowała, że informacje mogły ginąć podczas wymiany między modelami, a odpowiedzi były powolne i nienaturalne.

Modele głosowe działające w turach, takie jak Zaawansowany tryb głosowy ChatGPT, przetwarzały i generowały dźwięk w ramach jednego modelu, co zapewniało mniejsze opóźnienia i płynniejsze rozmowy, ale nadal było to rozwiązanie turowe. Model musiał czekać, aż użytkownik przestanie mówić, zanim odpowiedział, co prowadziło do sztywno brzmiącej konwersacji. Ponadto wykrywanie tury opiera się na wystąpieniu ciszy, więc nawet krótka pauza w wypowiedzi użytkownika lub hałas w tle mogły zostać błędnie zinterpretowane jako koniec tury, przez co model przerywał rozmówcy w nienaturalnych momentach.

GPT‑Live usuwa te ograniczenia dzięki dwóm zmianom w architekturze systemu.

Po pierwsze: GPT‑Live opracowaliśmy z zamysłem stałej interakcji z użyciem architektury full-duplex. Zamiast przetwarzać sekwencję osobnych wiadomości, GPT‑Live nieprzerwanie przetwarza dane wejściowe, generując dane wyjściowe. Model może więc wiele razy na sekundę podejmować decyzje dotyczące interakcji: czy mówić, dalej słuchać, zrobić pauzę, przerwać lub uruchomić narzędzie.

Pozwala to modelowi prowadzić bardziej naturalną konwersację, lepiej wyczuwać czas wypowiedzi, a nawet wykonywać tłumaczenia na żywo.

Po drugie: oddzieliliśmy GPT‑Live, który obsługuje stałą interakcję, od bardziej złożonych zadań. Gdy pytanie wymaga wyszukiwania, rozumowania lub bardziej agentowych funkcji, GPT‑Live może delegować je do innego modelu, np. GPT‑5.5. Dzięki temu GPT‑Live może podtrzymywać rozmowę nawet podczas obsługi wielu zadań w tle.

Ta zmiana architektoniczna pozwala też GPT‑Live stale korzystać z najnowszych modeli i agentów, łącząc pionierską inteligencję z naturalną interakcją.

Przygotowaliśmy nowe ewaluacje z udziałem ludzi, aby mierzyć przyjemność prowadzenia rozmowy i jej płynność. W tych bezpośrednich porównaniach GPT‑Live‑1 i GPT‑Live‑1 mini są zdecydowanie preferowane względem Zaawansowanego trybu głosowego w 5–10-minutowych rozmowach mierzących ogólne preferencje, zabieranie głosu na zmianę, przerywanie, płynność rozmowy i naturalność każdej interakcji.

• GPQA: GPT‑Live‑1 znacznie przewyższa możliwości Zaawansowanego trybu głosowego w teście GPQA, który sprawdza rozumowanie naukowe na poziomie eksperckim w dziedzinie biologii, chemii i fizyce.
• BrowseComp: GPT‑Live‑1 wykazuje duże postępy względem Zaawansowanego trybu głosowego w teście BrowseComp, który sprawdza agentowe wyszukiwanie w internecie i zdolność znajdowania trudno dostępnych informacji.
• τ³-Voice Telecom**: GPT‑Live‑1 przewyższa Zaawansowany tryb głosowy w teście τ³-Voice Telecom, który sprawdza agenty głosowe w realistycznych, wieloturowych zadaniach obsługi telekomunikacyjnej.

Co tydzień ponad 150 milionów osób rozmawia z ChatGPT, korzystając z funkcji takich jak głos i dyktowanie. Używają ich, aby uzyskać codzienną pomoc bez dotykania klawiatury, ćwiczyć języki, opowiadać bajki na dobranoc albo po prostu pogadać w drodze do pracy.

Od dziś wybranie przycisku Voice w celu przeprowadzenia rozmowy z ChatGPT spowoduje włączenie nowego trybu opartego na GPT‑Live oferującego bardziej naturalne rozmowy, inteligentniejsze odpowiedzi, lepsze funkcje słuchania i odpowiedzi wizualne.

Rozmowa z ChatGPT powinna teraz znacznie bardziej przypominać prawdziwą konwersację. Możesz przerwać wypowiedzi pytaniami, zawiesić głos, aby się zastanowić, albo poprosić ChatGPT, by mówił wolniej. Model stosuje też naturalne zwroty takie jak „mhmm” czy „rozumiem”, więc wiesz, że ChatGPT nadąża za rozmową. Poprawiliśmy też dziewięć barw głosów w ChatGPT na potrzeby GPT‑Live.

ChatGPT Voice korzysta teraz z naszych najnowszych pionierskich modeli i oferuje jeszcze inteligentniejsze odpowiedzi. Możesz też wybrać odpowiedni poziom rozumowania: Szybki do szybkich odpowiedzi albo Średni i Wysoki, gdy chcesz, aby ChatGPT poświęcił więcej czasu na myślenie.

Jeśli potrzebujesz chwili na zastanowienie, ChatGPT Voice teraz poczeka i nie wejdzie Ci w słowo. Jeśli poprosisz go, żeby milczał i słuchał, zrobi to. A gdy w tle słychać hałasy, na przykład przejeżdżające samochody albo rozmowy obok, ChatGPT bardziej skupia się na Twoim głosie i mniej się rozprasza.

Niektóre odpowiedzi są bardziej użyteczne, gdy można je zobaczyć. Podczas rozmowy ChatGPT może teraz pokazywać rozbudowane karty wizualne dotyczące takich tematów jak pogoda, wyniki giełdowe, sport i wiele innych. Nadal obsługuje też wyszukiwanie, pamięć, obrazy i przesyłanie plików.

Oddajemy w Twoje ręce ChatGPT Voice, który w codziennym użyciu zachowuje się naturalne, sprawniej reaguje, a odpowiedzi są bardziej użyteczne.

GPT‑Live zaprojektowaliśmy, skupiając się na domyślnych opcjach bezpieczeństwa. Zastosowaliśmy w nim funkcje zabezpieczeń znane z naszych najnowszych modeli, a jednocześnie dodaliśmy specjalistyczne szkolenie bezpieczeństwa w kluczowych obszarach ryzyka oraz nowe zabezpieczenia stworzone specjalnie dla funkcji głosowych.

Aby lepiej odzwierciedlić sposób, w jaki ludzie używają mowy w prawdziwych sytuacjach, rozszerzyliśmy testy bezpieczeństwa o nowe ewaluacje dostosowane do operacji głosowych. Stworzyliśmy też ewaluacje syntetyczne, które wykorzystują generowany dźwięk, aby bardziej skupić się na kluczowych obszarach bezpieczeństwa użytkownika, korzystając z wniosków uzyskanych podczas opracowywania Zaawansowanego trybu głosowego. Obszary te obejmują samookaleczenia, psychozę i manię, nawiązywanie relacji emocjonalnej z AI, przemoc oraz treści seksualne. Wewnętrzni eksperci przeprowadzili też kontrolowane ataki pod kątem zagrożeń specyficznych dla trybu głosowego.

W naszych testach GPT‑Live osiągał wyniki porównywalne z zaawansowanym trybem głosowym (lub lepsze) w niemal wszystkich ocenianych kategoriach. Więcej informacji o naszych testach i zabezpieczeniach znajdziesz w karcie systemu⁠(otwiera nowe okno) GPT‑Live.

Konwersacje głosowe toczą się w czasie rzeczywistym, więc zastosowaliśmy też zabezpieczenia, które działają, gdy model mówi. Gdy system wykryje potencjalnie niebezpieczne dane wyjściowe, może skierować model ku bezpieczniejszej odpowiedzi, przekazać dodatkowe komunikaty lub wykorzystać zasoby dotyczące bezpieczeństwa albo zakończyć konwersację głosową w bardziej niebezpiecznych sytuacjach. W przypadku rozmów dotyczących samookaleczeń dostosowaliśmy procedury wsparcia ChatGPT do trybu głosowego, w tym zachęcanie do skontaktowania się ze zweryfikowanymi infoliniami kryzysowymi.

Zaprojektowaliśmy dodatkowe zabezpieczenia dotyczące nastoletnich użytkowników i wytrenowaliśmy w modelu zachowania odpowiednie do wieku rozmówcy, aby ograniczyć ryzyko niepożądanych odpowiedzi. W sekcji Kontrola rodzicielska rodzice mogą określić, czy ich nastoletnie dziecko może używać ChatGPT Voice, a połączeni rodzice mogą otrzymywać powiadomienia o niebezpiecznych sytuacjach obejmujących oznaki potencjalnego samookaleczenia lub zamiaru samobójczego.

Wdrażamy też długoterminowe pomiary i monitoring działania skoncentrowane na sytuacjach związanych z zależnościami emocjonalnymi użytkowników względem ChatGPT, aby dalej pogłębiać zrozumienie tych zachowań i udoskonalać zabezpieczenia. Opierając się na naszych wcześniejszych badaniach nad afektywnym użyciem i dobrostanem emocjonalnym, pomoże nam to rozpoznawać pojawiające się wzorce i ulepszać reakcje systemu podczas emocjonalnie wrażliwych interakcji.

GPT‑Live zaprojektowano do rozmów, a nie do symulowania głosu innych osób, dlatego też ChatGPT system korzysta ze wstępnie zdefiniowanych głosów oraz zabezpieczeń, które uniemożliwiają mu naśladowanie głosu prawdziwej osoby.

Zależy nam na wspieraniu bezpieczeństwa i dobrostanu, dlatego będziemy dalej rozwijać te zabezpieczenia, pogłębiając naszą wiedzę na podstawie realnych sytuacji.

GPT‑Live jest teraz wdrażany dla użytkowników ChatGPT na całym świecie w systemach iOS, Android i w witrynie ChatGPT.com⁠(otwiera nowe okno). GPT‑Live‑1 stanie się domyślnym modelem obsługującym ChatGPT Voice dla użytkowników planów Go, Plus i Pro, a GPT‑Live‑1 mini dla użytkowników planu Free. Dodatkowe informacje znajdziesz w naszym Centrum pomocy⁠(otwiera nowe okno).

Zoptymalizowaliśmy działanie modelu GPT‑Live dla części najpopularniejszych języków w ChatGPT. W przypadku niektórych języków model może cechować się obco brzmiącym akcentem lub problemami z płynnością wypowiedzi. Pracujemy też nad poprawą działania tych aspektów w innych językach.

W momencie premiery GPT‑Live nie będzie obsługiwać trybu głosowego z wideo ani udostępnianiem ekranu w ChatGPT, ale postaramy się jak najszybciej wprowadzić te możliwości. Nadal można korzystać ze starszych wersji ChatGPT Voice, w tym Standardowego i Zaawansowanego trybu głosowego, w których te funkcje są dostępne.