Spúšťame GPT‑Live‑1 v API, čím vývojárom poskytujeme výkonný, prirodzený hlasový model na vytváranie aplikácií s hlasovým ovládaním a firemných pracovných postupov. GPT‑Live‑1, prvýkrát predstavený v ChatGPT, dokáže súčasne počúvať aj hovoriť a, ako to vidno pri Codexe a ChatGPT Work(otvorí sa v novom okne), môže delegovať hlbšie uvažovanie a činnosti na modely a nástroje, s ktorými je prepojený.
Pri vydaní GPT‑Live‑1 pre API sme sa zamerali na nové funkcie, ktoré vývojárom umožňujú usmerňovať a prispôsobovať hlasové prostredie používateľom, pracovným postupom a cieľom. Jedna z hlavných predností GPT‑Live‑1, plynulé zvládanie prerušení, už prináša obchodný prínos: Speak pri prvých hodnoteniach zistil, že GPT‑Live‑1 poskytol študentom viac času na premýšľanie pred reakciou jazykového lektora a v porovnaní s predchádzajúcimi systémami založenými na striedaní hovoriacich znížil počet prerušení takmer o 80 %.
Hlavné prednosti GPT‑Live‑1 v API:
Zvládanie prerušení: Zlepšuje zvládanie prerušení pomocou jedného modelu, ktorý spoločne vyhodnocuje prichádzajúci aj odchádzajúci zvuk, čím sa predchádza oneskoreniam a nespoľahlivému odovzdávaniu v reťazených architektúrach STT–LLM–TTS.
Delegovanie uvažovania a volaní nástrojov: GPT‑Live‑1 môže delegovať uvažovanie a volania nástrojov na backendový textový model, ako je GPT‑6 Astra alebo model tretej strany.
Tón, tempo a štýl: Vývojári môžu prostredníctvom systémového príkazu formovať tón, tempo a konverzačný štýl agenta.
Tichá správa kontextu a hluk v pozadí: Lepšie zvláda hluk v pozadí a ticho bez prerušenia rozhovoru či hlasného opisovania každého kroku.
Spoľahlivosť pri dlhých reláciách: Zlepšuje zachovanie kontextu a kvalitu konverzácie počas dlhých interakcií.
Podpora telefonovania: Umožňuje nasadiť plne duplexných hlasových agentov na telefonické hovory od rezervácií v reštauráciách až po zákaznícku podporu.
Try GPT-Live-1
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.
Táto ukážka je časovo obmedzená. Používaním vyjadruješ súhlas s Podmienkami používania spoločnosti OpenAI a berieš na vedomie naše Zásady ochrany osobných údajov.
Tradiční hlasoví agenti spájajú prevod reči na text, uvažovací model a prevod textu na reč. Každé odovzdanie pridáva oneskorenie a zvyšuje riziko straty správneho načasovania, kontextu či prirodzeného rytmu rozhovoru. Koordinácia týchto fáz často zostáva na vývojároch vrátane riešenia situácií, keď niekto preruší rozhovor, odmlčí sa alebo zmení smer.
GPT‑Live‑1 zabezpečuje počúvanie aj hovorenie v jednom modeli, čím zjednodušuje hlasovú vrstvu. Dokáže okamžite reagovať na prerušenia a potvrdenia a zároveň delegovať hlbšie uvažovanie na backend. Rozhovor tak môže pokračovať, zatiaľ čo práca prebieha na pozadí.
Vývojári si vyberajú modely, nástroje a harness agenta, ktoré stoja za konverzáciou. GPT‑Live‑1 môžu napríklad spojiť s modelom Luna na veľkoobjemové úlohy, ako je plánovanie alebo aktualizácia objednávok, a model Astra použiť na zložité problémy zákazníkov, ktoré si vyžadujú uvažovanie. Táto flexibilita umožňuje prispôsobiť každej úlohe hĺbku uvažovania, rýchlosť aj náklady.
GPT‑Live‑1 natívne poskytuje prepisy ASR a text odpovedí. Ponúka tiež kvalitné porozumenie alfanumerickým údajom a podporuje uprednostňovanie kľúčových slov. Hoci GPT‑Live‑1 nie je model založený na striedaní replík, natívne podporuje detekciu striedania replík, takže vývojári môžu naďalej pracovať s explicitnými hranicami jednotlivých replík.
V našich hodnoteniach GPT‑Live‑1 zlepšuje výsledky v teste Full Duplex Bench o 30 percentuálnych bodov oproti GPT‑Realtime‑2.1, pričom dosahuje výrazné zlepšenie latencie pri striedaní hovoriacich a interaktívneho správania. V kombinácii s GPT‑6 Astra pri strednej miere uvažovania sa tiež umiestňuje na 1. mieste v teste Tau3, ktorý meria prelomovú inteligenciu hlasových agentov pri úlohách od začiatku do konca.
Hodnotí hovorené úlohy zákazníckeho servisu v doménach leteckej dopravy, maloobchodu a telekomunikácií. Pass@1 meria úspešnosť úloh. Nadpis dáva každej doméne rovnakú váhu.
* Backend GPT Live: Astra (stredná).
Hodnotí hovorenú bankovú podporu pomocou získavania znalostí a nástrojov pre účty. Pass@1 je podiel z 97 úloh banking_knowledge, ktoré boli úspešne dokončené.
* Backend GPT Live: Astra (stredná).
Hodnotí spracovanie pauz, striedanie replík v konverzácii, prerušenia a prejavy aktívneho počúvania.
Testuje reakcie na reč v pozadí, reč adresovanú inej osobe, spätné signály poslucháča a prerušenia.
Meria, ako rýchlo agent začne odpovedať po tom, ako používateľ dokončí svoju repliku.
Testuje používanie nástrojov pri hovorených požiadavkách obsahujúcich prirodzené pauzy, zaváhania a samoopravy. Pass@1 hodnotí sekvenciu volaní nástrojov.
* Backend GPT Live: Terra (nízka).
Hodnotí hovorenú odpoveď na požiadavky využívajúce nástroje, ktoré obsahujú pauzy, zaváhania a opravy vlastných vyjadrení. Hodnotí, ako dobre odpoveď zodpovedá referenčnému zámeru.
* backend GPT Live: Terra (nízka).
Vývojári potrebujú hlasy, ktoré sa hodia k ich produktu a jeho používateľom znejú prirodzene. S GPT‑Live‑1 rozširujeme malú skupinu hlasov v reálnom čase o širší výber prízvukov, dialektov a jazykov, aby mali vývojári viac možností, ako budú ich asistenti znieť.
V nasledujúcich mesiacoch budeme ponuku hlasov a dostupných jazykov ďalej rozširovať.
GPT‑Live‑1 je odteraz dostupný cez API(otvorí sa v novom okne) za 0,05 USD za minútu používania hlasovej vrstvy frontendu. Skombinuj ho s backendovým modelom a agent harnessom, ktoré vyhovujú vášmu produktu, a vytvor hlasové prostredie schopné rásť s rozsahom potrebnej práce.
Ak chceš získať prístup k vlastným hlasom, obráť sa na obchodné oddelenie, ktoré ti poskytne ďalšie informácie o podmienkach a postupe podania žiadosti.
Ďalším spôsobom, ako vytvárať hlasové pracovné postupy nad GPT‑Live‑1, je služba OpenAI Presence, ktorá používa model na hlasové interakcie v reálnom čase. Presence pomáha podnikom nasadzovať dôveryhodných agentov AI schopných odpovedať na otázky, riešiť problémy, používať firemné systémy, vykonávať schválené kroky a v prípade potreby postúpiť problémy ľuďom. Ak chceš získať ďalšie informácie, obráť sa na svojho riaditeľa pre zákaznícky účet v OpenAI.
