Lansăm GPT‑Live‑1 în API, oferindu-le dezvoltatorilor un model vocal puternic și natural pentru crearea de aplicații cu funcții vocale și fluxuri de lucru de business. Prezentat inițial în ChatGPT, GPT‑Live‑1 poate asculta și vorbi simultan și, așa cum s-a observat în cazul Codex și ChatGPT Work⁠(se deschide într-o fereastră nouă), poate delega raționamentul mai profund și acțiunile către modelele și instrumentele cu care este asociat.

Pentru lansarea GPT‑Live‑1 în API, ne-am concentrat pe noi capabilități care le permit dezvoltatorilor să direcționeze și să personalizeze experiențele vocale în funcție de utilizatorii, fluxurile de lucru și obiectivele lor. O capacitate esențială a GPT‑Live‑1, gestionarea fluidă a întreruperilor, are deja impact asupra afacerilor: în evaluările preliminare, Speak a constatat că GPT‑Live‑1 le-a oferit cursanților mai mult timp să gândească înainte ca profesorul de limbi străine să răspundă, reducând întreruperile cu aproape 80% față de sistemele anterioare bazate pe alternarea replicilor.

Principalele puncte forte ale GPT‑Live‑1 în API:

• Gestionarea întreruperilor: îmbunătățește gestionarea întreruperilor printr-un singur model care procesează împreună semnalul audio primit și cel transmis, evitând latența și tranzițiile fragile ale arhitecturilor STT–LLM–TTS în lanț.

• Delegarea raționamentului și a apelurilor către instrumente: GPT‑Live‑1 poate delega raționamentul și apelurile către instrumente unui model de text backend precum GPT‑6 Astra sau unui model terț.

• Ton, ritm și stil: le permite dezvoltatorilor să modeleze tonul, ritmul și stilul conversațional al unui agent prin solicitare de sistem.

• Gestionarea silențioasă a contextului & zgomotul de fundal: gestionează mai bine zgomotul de fundal și momentele de tăcere, fără a întrerupe conversația sau a relata cu voce tare fiecare pas.

• Fiabilitate în sesiuni lungi: îmbunătățește păstrarea contextului și calitatea conversației pe durata interacțiunilor prelungite.

• Suport pentru telefonie: permite implementarea agenților vocali cu comunicare bidirecțională simultană pentru apeluri telefonice, de la rezervări la restaurante până la asistență pentru clienți.

Agenții vocali tradiționali conectează conversia vorbirii în text, un model de raţionament și conversia textului în vorbire. Fiecare tranziție adaugă latență și creează mai multe ocazii de a pierde sincronizarea, contextul sau ritmul natural al conversației. Dezvoltatorii sunt adesea cei care trebuie să coordoneze aceste etape, inclusiv ceea ce se întâmplă când cineva întrerupe, face o pauză sau schimbă direcția.

GPT‑Live‑1 gestionează ascultarea și vorbirea într-un singur model, simplificând stratul vocal. Poate reacționa pe loc la întreruperi și confirmări, delegând în același timp raționamentul mai aprofundat către backend. Astfel, conversația poate continua în timp ce sarcinile sunt procesate în fundal.

Dezvoltatorii aleg modelele, instrumentele și cadrul de testare al agentului din spatele conversației. De exemplu, pot asocia GPT‑Live‑1 cu un model precum Luna pentru sarcini de volum mare, cum ar fi programările sau actualizarea comenzilor, și pot folosi un model precum Astra pentru probleme complexe ale clienților, care necesită raţionament. Această flexibilitate le permite dezvoltatorilor să adapteze profunzimea raţionamentului, viteza și costul la fiecare sarcină.

GPT‑Live‑1 oferă nativ transcrieri prin recunoașterea automată a vorbirii (ASR) și textul răspunsurilor. De asemenea, are o capacitate bună de înțelegere a secvențelor alfanumerice și permite favorizarea anumitor cuvinte-cheie. Deși GPT‑Live‑1 nu este un model bazat pe schimburi de replici, acceptă nativ detectarea acestora, astfel încât dezvoltatorii pot continua să construiască soluții în jurul delimitărilor explicite dintre schimburile de replici.

În evaluările noastre, GPT‑Live‑1 îmbunătățește performanța în Full Duplex Bench cu 30 de puncte procentuale față de GPT‑Realtime‑2.1, cu câștiguri semnificative în ceea ce privește latența alternării replicilor și comportamentul interactiv. Asociat cu GPT‑6 Astra, cu un nivel mediu al efortului de raţionament, ocupă, de asemenea, locul 1 în Tau3, care măsoară inteligența de vârf a agenților vocali în sarcini complete.

Dezvoltatorii au nevoie de voci adecvate produsului lor, care să le sune natural utilizatorilor. Cu GPT‑Live‑1, trecem de la un set restrâns de voci în timp real la o selecție mai amplă de accente, dialecte și limbi, oferindu-le dezvoltatorilor mai multe opțiuni pentru vocea asistenților lor.

Vom continua să extindem opțiunile vocale și disponibilitatea limbilor în lunile următoare.

GPT‑Live‑1 este disponibil astăzi în API⁠(se deschide într-o fereastră nouă), la prețul de 0,05 $ pe minut pentru stratul vocal de interfață. Asociază-l cu modelul backend și cadrul de testare al agentului potrivite pentru produsul tău, apoi creează o experiență vocală care se poate extinde odată cu volumul de muncă pe care trebuie să-l gestioneze.

Pentru acces la voci personalizate, contactează echipa de vânzări ca să afli mai multe despre eligibilitate și procesul de solicitare.

O altă modalitate de a crea fluxuri de lucru vocale pe baza GPT‑Live‑1 este să folosești OpenAI Presence, care utilizează modelul pentru a susține interacțiuni vocale în timp real. Presence ajută companiile să implementeze agenți IA de încredere, capabili să răspundă la întrebări, să rezolve probleme, să folosească sistemele companiei, să întreprindă acțiuni aprobate și să escaladeze către oameni atunci când este nevoie. Contactează directorul tău de cont OpenAI pentru a afla mai multe.