Predstavujeme GPT‑Live

Spúšťame GPT‑Live, novú generáciu hlasových modelov, vďaka ktorým rozhovor s AI pôsobí oveľa viac ako skutočná konverzácia.

GPT‑Live je postavený na architektúre full-duplex, čo znamená, že dokáže počúvať a hovoriť zároveň. Počas konverzácie môže GPT‑Live frázami ako „hm-hm“ alebo „hej“ dávať najavo, že pozorne počúva, zapájať sa do rýchlej výmeny replík alebo jednoducho zostať ticho, keď potrebujete chvíľu na premýšľanie. Výsledkom je hlasové prostredie, s ktorým sa prekvapivo ľahko rozpráva.

GPT‑Live je zároveň naším doteraz najinteligentnejším hlasovým modelom. Pri otázkach, ktoré si vyžadujú vyhľadávanie na webe, hlbšie uvažovanie alebo zložitejšiu prácu, deleguje úlohu na náš najnovší frontier model na pozadí a keď je výsledok pripravený, vráti ho do konverzácie. Kým pracuje, GPT‑Live s vami môže ďalej hovoriť a udržiavať plynulosť konverzácie. Pri uvedení bude GPT‑Live na pozadí používať GPT‑5.5. Ako budeme vydávať nové frontier modely, budeme priebežne aktualizovať model, ktorý GPT‑Live používa.

Tieto pokroky poháňajú nové prostredie ChatGPT Voice, ktoré je inteligentnejšie a prirodzenejšie na používanie. Veríme, že tento výskum časom umožní používať hlas aj na čoraz zložitejšie, dlhšie trvajúce úlohy s väčšou mierou autonómneho konania.

Dnes začíname používateľom ChatGPT po celom svete sprístupňovať dve verzie GPT‑Live – GPT‑Live‑1 a GPT‑Live‑1 mini. Čoskoro ich plánujeme priniesť aj do API; vývojári a firmy sa môžu prihlásiť na odber oznámenia prostredníctvom tohto formulára⁠.

Našou víziou je umožniť skutočne prirodzenú interakciu medzi ľuďmi a AI: svet, v ktorom spolupráca s AI pôsobí rovnako plynulo a pohotovo ako práca s iným človekom, zatiaľ čo uvažovanie a vykonávanie zložitých úloh prebiehajú hladko na pozadí.

Staršie generácie hlasových systémov AI nás k tejto vízii priblížili, no prinášali významné kompromisy.

Kaskádové hlasové systémy sa pri spracovaní každej repliky spoliehajú na sériu modelov, ktoré konajú jeden po druhom. Pôvodný ChatGPT Voice prepájal tri modely: model na prevod reči na text, ktorý prepísal vašu reč, veľký jazykový model, ktorý vytvoril odpoveď, a model na prevod textu na reč, ktorý ju zmenil späť na hovorenú reč. Tento prístup nám prvýkrát umožnil hovoriť s frontier AI modelmi, no zložitosť mala svoju cenu: medzi modelmi sa mohli strácať informácie a odpovede boli pomalé a strnulé.

Hlasové modely so striedaním replík, ako je pokročilý hlasový režim ChatGPT, spracúvali a generovali zvuk v rámci jedného modelu, čím znižovali latenciu a robili konverzácie plynulejšími – stále však fungovali v oddelených replikách. Model musel počkať, kým používateľ prestane hovoriť, a až potom odpovedať, čo viedlo k strnulému striedaniu replík. Keďže rozpoznanie konca repliky je navyše založené na tichu, aj krátka pauza alebo hluk v pozadí sa mohli mylne vyhodnotiť ako koniec repliky – model tak prerušoval v neprirodzených chvíľach.

GPT‑Live rieši tieto obmedzenia dvoma architektonickými zmenami.

Po prvé, GPT‑Live sme navrhli na nepretržitú interakciu pomocou architektúry full-duplex. Namiesto spracúvania postupnosti samostatných správ GPT‑Live priebežne spracúva vstup a zároveň generuje výstup. Model sa preto môže mnohokrát za sekundu rozhodovať o interakcii: či má hovoriť, ďalej počúvať, odmlčať sa, prerušiť alebo vyvolať nástroj.

Vďaka tomu sa model môže zapájať do prirodzenejšej výmeny replík, lepšie vnímať čas a dokonca vykonávať živý preklad.

Po druhé, oddelili sme model GPT‑Live – ktorý zabezpečuje nepretržitú interakciu – od náročnejšej práce. Keď si otázka vyžaduje vyhľadávanie, uvažovanie alebo agentické schopnosti, GPT‑Live môže úlohu delegovať na iný model, napríklad GPT‑5.5. Vďaka tomu môže udržiavať konverzáciu v chode, aj keď na pozadí rieši viacero úloh.

Táto architektonická zmena tiež umožňuje GPT‑Live priebežne využívať najnovšie modely a agentov, čím spája frontier inteligenciu s prirodzenou interakciou.

Vytvorili sme nové hodnotenia s ľudskými posudzovateľmi na meranie príjemnosti a plynulosti konverzácie. V týchto priamych porovnaniach sú GPT‑Live‑1 a GPT‑Live‑1 mini výrazne uprednostňované pred pokročilým hlasovým režimom v porovnateľných 5- až 10-minútových rozhovoroch, ktoré merajú celkovú preferenciu, striedanie replík, prerušovania, plynulosť konverzácie a prirodzenosť každej interakcie.

• GPQA: GPT‑Live‑1 výrazne prekonáva pokročilý hlasový režim v teste GPQA, ktorý preveruje vedecké uvažovanie na expertnej úrovni v biológii, chémii a fyzike.
• BrowseComp: GPT‑Live‑1 dosahuje oproti pokročilému hlasovému režimu výrazné zlepšenia v teste BrowseComp, ktorý preveruje agentické vyhľadávanie na webe a schopnosť nájsť ťažko dostupné informácie.
• τ³-Voice Telecom (interný variant)**: GPT‑Live‑1 prekonáva pokročilý hlasový režim v teste τ³-Voice Telecom, ktorý preveruje hlasových agentov v realistických úlohách telekomunikačnej podpory s viacerými replikami.

Každý týždeň sa s ChatGPT rozpráva viac než 150 miliónov ľudí pomocou funkcií ako Voice a Diktovanie. Používajú ho na každodennú pomoc bez použitia rúk, na precvičovanie jazykov, rozprávanie rozprávok na dobrú noc alebo len na rozhovor počas dochádzania.

Od dnes po ťuknutí na tlačidlo Voice na rozhovor s ChatGPT získate vylepšené prostredie poháňané GPT‑Live – s prirodzenejšími konverzáciami, inteligentnejšími odpoveďami, lepším počúvaním a vizuálnymi odpoveďami.

Rozhovor s ChatGPT by teraz mal pôsobiť oveľa viac ako skutočná konverzácia. Môžete ho prerušiť otázkou, na chvíľu sa odmlčať, aby ste si premysleli myšlienky, alebo požiadať ChatGPT, aby spomalil. Prirodzene dáva najavo, že vás počúva, frázami ako „mhm“ alebo „rozumiem“, takže viete, že drží krok. Pre GPT‑Live sme tiež nanovo upravili deväť osobitých hlasov v ChatGPT.

ChatGPT Voice teraz dokáže využívať naše najnovšie prelomové modely, aby vám dal inteligentnejšie odpovede, keď ich potrebujete. Môžete si tiež zvoliť úroveň uvažovania podľa svojich potrieb: Instant pre rýchle odpovede alebo Medium a High, keď chcete, aby ChatGPT venoval viac času premýšľaniu.

Ak si vezmete chvíľu na premýšľanie, ChatGPT Voice teraz počká namiesto toho, aby vám skočil do reči. Ak ho požiadate, aby bol ticho a počúval, urobí to. A keď je v pozadí hluk, napríklad prechádzajúca doprava alebo rozhovory nablízku, ChatGPT sa vie lepšie sústrediť na váš hlas namiesto toho, aby sa nechal rozptyľovať.

Niektoré odpovede sú užitočnejšie, keď ich vidíte. Počas rozhovoru môže ChatGPT teraz zobrazovať bohaté vizuálne karty k témam, ako sú počasie, akcie, šport a ďalšie. Voice naďalej podporuje aj vyhľadávanie, pamäť, obrázky a nahrávanie súborov.

Výsledkom je prostredie ChatGPT Voice, ktoré pôsobí prirodzenejšie, je schopnejšie a užitočnejšie v každodennom živote.

GPT‑Live bol navrhnutý tak, aby bol bezpečný už v predvolenom nastavení. Stavia na bezpečnostných pokrokoch našich najnovších modelov a zároveň pridáva špecializovaný bezpečnostný tréning v kľúčových rizikových oblastiach a nové ochranné prvky navrhnuté špeciálne pre hlas.

Aby sme lepšie zachytili, ako ľudia používajú hlas v reálnych situáciách, začali sme rozšírením bezpečnostného testovania o nové vyhodnotenia vytvorené priamo pre audio. Vytvorili sme aj syntetické vyhodnotenia, ktoré používajú generovaný zvuk na intenzívnejšie zameranie na kľúčové oblasti bezpečnosti a vychádzajú z toho, čo sme sa naučili z pokročilého hlasového režimu. Medzi tieto oblasti patrí sebapoškodzovanie, psychóza a mánia, emocionálna závislosť od AI, násilie a sexuálny obsah. Interní experti tiež red-teamovali model z hľadiska rizík jedinečných pre hlas.

V našom testovaní dosiahol GPT‑Live takmer vo všetkých hodnotených oblastiach porovnateľné alebo lepšie výsledky než pokročilý hlasový režim. Viac o našom testovaní a ochranných opatreniach si môžete prečítať v systémovej karte⁠(otvorí sa v novom okne) GPT‑Live.

Keďže hlasové konverzácie prebiehajú v reálnom čase, vytvorili sme aj ochranné prvky, ktoré dokážu zasiahnuť počas toho, ako model hovorí. Keď systém zistí potenciálne nebezpečný výstup, môže nasmerovať model k bezpečnejšej odpovedi, zobraziť dodatočné bezpečnostné upozornenia alebo zdroje, prípadne v situáciách s vyšším rizikom ukončiť hlasovú konverzáciu. Pri konverzáciách týkajúcich sa sebapoškodzovania sme prispôsobili podporné postupy ChatGPT pre hlas vrátane ponuky krízovej pomoci na linkách overených odborníkmi.

Navrhli sme ďalšie ochrany na podporu tínedžerov a priamo do modelu sme natrénovali správanie primerané veku, aby sme znížili riziko nevhodných odpovedí. Rodičia si môžu cez rodičovskú kontrolu zvoliť, či ich tínedžer môže používať ChatGPT Voice, a prepojení rodičia môžu dostať upozornenie v situáciách s vyšším rizikom, ktoré zahŕňajú známky možného sebapoškodzovania alebo samovražedného úmyslu.

Zavádzame aj dlhodobejšie meranie a monitorovanie po spustení zamerané na emocionálnu závislosť, aby sme ďalej zlepšovali svoje porozumenie a dolaďovali ochranné opatrenia. V nadväznosti na náš predchádzajúci výskum afektívneho používania a emocionálnej pohody nám to pomôže identifikovať vznikajúce vzorce a zlepšiť reakcie systému v emocionálne citlivých interakciách.

Napokon, GPT‑Live je navrhnutý na konverzáciu, nie na napodobňovanie hlasu. Používa súbor vopred definovaných hlasov v ChatGPT s ochrannými prvkami, ktoré mu bránia napodobňovať hlas skutočnej osoby.

Zaviazali sme sa podporovať bezpečnosť a pohodu a tieto ochrany budeme ďalej posilňovať podľa toho, čo sa naučíme z používania v reálnom svete.

GPT‑Live sa teraz sprístupňuje používateľom ChatGPT po celom svete na platformách iOS, Android a ChatGPT.com⁠(otvorí sa v novom okne). GPT‑Live‑1 sa stane predvoleným modelom poháňajúcim ChatGPT Voice pre používateľov Go, Plus a Pro a GPT‑Live‑1 mini sa stane predvoleným modelom pre používateľov Free. Ďalšie podrobnosti o dostupnosti nájdete v našom Centre pomoci⁠(otvorí sa v novom okne).

GPT‑Live sme optimalizovali pre niektoré z najpopulárnejších jazykov v ChatGPT. Pri niektorých jazykoch môže mať model cudzí prízvuk alebo medzery v plynulosti. Aktívne pracujeme na zlepšovaní používateľského prostredia naprieč jazykmi.

Pri spustení nebude GPT‑Live v ChatGPT podporovať hlas s videom ani zdieľaním obrazovky, no pracujeme na tom, aby sme tieto možnosti čoskoro priniesli. Naďalej máte prístup k starším verziám ChatGPT Voice vrátane režimov Standard a pokročilého hlasového režimu tam, kde sú tieto funkcie dostupné.