Estamos a lançar o GPT‑Live‑1 na API, disponibilizando aos programadores um modelo de voz potente e natural para criar aplicações com voz e fluxos de trabalho empresariais. Apresentado inicialmente no ChatGPT, o GPT‑Live‑1 consegue ouvir e falar em simultâneo e, como demonstrado com o Codex e o ChatGPT Work⁠(abre numa nova janela), pode delegar raciocínios e ações mais aprofundados aos modelos e às ferramentas aos quais está associado.

Para o lançamento do GPT‑Live‑1 na API, concentrámo-nos em novas capacidades que permitem aos programadores orientar e personalizar as experiências de voz em função dos seus utilizadores, fluxos de trabalho e objetivos. Uma das principais vantagens do GPT‑Live‑1, a gestão fluida de interrupções, já está a gerar impacto empresarial: nas primeiras avaliações, a Speak constatou que o GPT‑Live‑1 deu aos alunos mais tempo para refletir antes de o tutor de idiomas responder, reduzindo em quase 80% as interrupções em comparação com os sistemas anteriores baseados em turnos.

Principais pontos fortes do GPT‑Live‑1 na API:

• Gestão de interrupções: Melhora a gestão de interrupções através de um único modelo que processa em conjunto o áudio recebido e emitido, evitando a latência e as transições frágeis das arquiteturas STT–LLM–TTS em cadeia.

• Delegação de raciocínio e chamadas de ferramentas: O GPT‑Live‑1 pode delegar o raciocínio e as chamadas de ferramentas a um modelo de texto de back-end, como o GPT‑6 Astra ou um modelo de terceiros.

• Tom, ritmo e estilo: Permite aos programadores definir o tom, o ritmo e o estilo de conversa de um agente através do prompt de sistema.

• Gestão silenciosa do contexto & ruído de fundo: Gere melhor o ruído de fundo e o silêncio sem interromper a conversa nem narrar cada passo em voz alta.

• Fiabilidade em sessões longas: Melhora a retenção do contexto e a qualidade da conversa em interações prolongadas.

• Suporte para telefonia: Permite implementar agentes de voz full-duplex em chamadas telefónicas, desde reservas em restaurantes ao apoio ao cliente.

Os agentes de voz tradicionais combinam conversão de voz em texto, um modelo de raciocínio e conversão de texto em voz. Cada transição aumenta a latência e cria mais oportunidades para perder o timing, o contexto ou o ritmo natural da conversa. Muitas vezes, cabe aos programadores coordenar estas etapas, incluindo o que acontece quando alguém interrompe, faz uma pausa ou muda de rumo.

O GPT‑Live‑1 ouve e fala através de um único modelo, simplificando a camada de voz. Consegue reagir de imediato a interrupções e confirmações, enquanto delega o raciocínio mais aprofundado para o back-end. Assim, a conversa pode prosseguir enquanto o trabalho decorre em segundo plano.

Os programadores escolhem os modelos, as ferramentas e o harness de agente por detrás da conversa. Por exemplo, podem combinar o GPT‑Live‑1 com um modelo como o Luna para tarefas de grande volume, como agendamentos ou atualizações de pedidos, e utilizar um modelo como o Astra para questões complexas de clientes que exijam raciocínio. Esta flexibilidade permite aos programadores adequar a profundidade do raciocínio, a velocidade e o custo a cada tarefa.

O GPT‑Live‑1 fornece nativamente transcrições de ASR e o texto das respostas. Oferece também uma sólida compreensão de conteúdos alfanuméricos e suporta a ponderação de palavras-chave. Embora o GPT‑Live‑1 não seja um modelo baseado em turnos, suporta nativamente a deteção de turnos, permitindo aos programadores continuar a desenvolver com base em limites de turno explícitos.

Nas nossas avaliações, o GPT‑Live‑1 melhora o desempenho no Full Duplex Bench em 30 pontos percentuais face ao GPT‑Realtime‑2.1, com grandes ganhos na latência da alternância de turnos e no comportamento interativo. Combinado com o GPT‑6 Astra, com um nível médio de esforço de raciocínio, também ocupa o 1.º lugar no Tau3, que mede a inteligência de fronteira de agentes de voz em tarefas completas.

Os programadores precisam de vozes adequadas aos seus produtos e que soem naturais para quem os utiliza. Com o GPT‑Live‑1, passamos de um pequeno conjunto de vozes em tempo real para uma seleção mais ampla de sotaques, dialetos e idiomas, dando aos programadores mais opções para definir a sonoridade dos seus assistentes.

Continuaremos a expandir as opções de voz e a disponibilidade de idiomas nos próximos meses.

O GPT‑Live‑1 já está disponível hoje na API⁠(abre numa nova janela) por 0,05 USD por minuto para a camada de voz de front-end. Combine-o com o modelo de back-end e o harness de agente adequados ao seu produto e crie uma experiência de voz capaz de acompanhar a escala do trabalho necessário.

Para aceder a vozes personalizadas, contacte a equipa comercial e saiba mais sobre os critérios de elegibilidade e o processo de pedido.

Outra forma de criar fluxos de trabalho de voz com base no GPT‑Live‑1 é através do OpenAI Presence, que usa o modelo para proporcionar interações de voz em tempo real. O Presence ajuda as empresas a implementar agentes de IA de confiança, capazes de responder a perguntas, resolver problemas, usar sistemas da empresa, realizar ações aprovadas e encaminhar os casos para pessoas quando necessário. Contacte o seu gestor de conta da OpenAI para saber mais.