[ЧУВАР МЕСТА: Датум објављивања треба потврдити.]
[ЧУВАР МЕСТА: Видео са изјавом компаније Yelp — чекају се коначни видео, сличица, титлови и транскрипт.]
Данас уводимо GPT‑Live‑1 у API, пружајући програмерима моћан гласовни модел који могу да комбинују са граничном интелигенцијом у својим апликацијама. GPT‑Live‑1, први пут представљен у ChatGPT‑у, може истовремено да слуша и говори и, као што се види на примерима Codex-а и режима ChatGPT Посао(отвара се у новом прозору), може да повери сложеније резоновање и радње моделима и алаткама са којима је упарен.
За објављивање GPT‑Live‑а у API-ју усредсредили смо се на нове могућности које програмерима омогућавају да гласовна искуства обликују према корисницима, токовима рада и циљевима. На пример, у раним проценама апликација за учење језика Speak утврдила је да GPT‑Live‑1 смањује прекидање током пауза за размишљање за скоро 80% у односу на претходне системе засноване на смењивању — ученици тако добијају више времена да пронађу праве речи пре него што се предавач укључи.
Издање за API доноси:
Управљање прекидима: Један модел заједно обрађује долазни и одлазни звук, чиме се избегавају кашњење и непоуздана примопредаја у ланчаним STT–LLM–TTS архитектурама.
Оркестрација агента: Поузданије прати упутства у више корака, извршава позиве прилагођених алатки и поверава сложеније резоновање или радње позадинском моделу или окружењу агента које програмер одабере.
Прилагођени гласови: Додаје [XX — број треба утврдити] нових прилагођених гласова на [YY — језике треба утврдити] језика, помажући брендовима да створе природна и препознатљива гласовна искуства на различитим језицима и дијалектима.
Прилагодљивост личности: Омогућава програмерима да системском инструкцијом обликују тон, темпо и стил разговора агента.
Тихо управљање контекстом и позадинска бука: Боље управља позадинском буком и тишином без прекидања разговора или гласног описивања сваког корака.
Флексибилна интелигенција: Омогућава програмерима да одаберу било који позадински модел или окружење агента који одговара њиховом току рада.
Поузданост дугих сесија: Побољшава задржавање контекста и квалитет разговора током дужих интеракција.
Подршка за телефонију: Омогућава примену потпуно дуплексних гласовних агената за телефонске позиве, од резервација у ресторанима до корисничке подршке.
[ЧУВАР МЕСТА: Интерактивни гласовни демо — приказана је почетна макета; чека се коначна верзија искуства GPT‑Live‑1.]
Традиционални гласовни агенти повезују претварање говора у текст, модел резоновања и претварање текста у говор. Свака примопредаја повећава кашњење и ризик од губитка правовремености, контекста или природног ритма разговора. Програмерима често остаје да координишу те фазе, укључујући и оно што се дешава када неко прекине, застане или промени правац разговора.
GPT‑Live‑1 обједињује слушање и говор у једном моделу, поједностављујући гласовни слој уживо. Може одмах да реагује на прекиде и потврде, док сложеније резоновање поверава позадинском систему. Тако разговор може да се настави док се рад одвија у позадини.
Програмери бирају моделе, алатке и окружење агента који стоје иза разговора. На пример, могу да упаре GPT‑Live‑1 са моделом као што је Luna за обимне задатке попут заказивања или обавештавања о поруџбинама, а модел као што је Astra да користе за сложене проблеме корисника који захтевају резоновање. Та флексибилност омогућава програмерима да за сваки задатак ускладе дубину резоновања, брзину и трошкове.
GPT‑Llive‑1 изворно пружа ASR транскрипте и текст одговора. Такође добро разуме алфанумерички садржај и подржава давање предности кључним речима. Иако GPT‑live није модел заснован на смењивању, изворно подржава откривање смене саговорника, па програмери и даље могу да граде системе око изричитих граница између реплика.
[ЧУВАР МЕСТА: Упоредни аудио-приказ модела GPT‑Live‑1 и каскадног гласовног система — чекају се аудио-датотеке и транскрипти.]
У нашим проценама GPT‑Live‑1, упарен са GPT‑6 Astra уз средњи ниво резоновања, заузима 1. место на тесту Tau3, који мери граничну интелигенцију гласовних агената на целовитим задацима, и 1. место на тесту Full Duplex Bench, који оцењује интерактивност, кашњење при смењивању саговорника, позивање алатки и квалитет одговора.
Програмерима су потребни гласови који одговарају њиховом производу и звуче природно људима који га користе. Уз GPT‑Live‑1 проширујемо мали скуп гласова у реалном времену ширим избором акцената, дијалеката и језика, па програмери могу лакше да одаберу како ће њихови асистенти звучати.
Quartz — аустралијски енглески, женски, генерисан
Ripple — аустралијски енглески, мушки, природан
Vesper — британски енглески, мушки, природан
Willow — ирски енглески, женски, природан
Stone — ирски енглески, мушки, природан
Gleam — северноамерички енглески, женски, природан
Meridian — северноамерички енглески, мушки, природан
Bossa — бразилски португалски, женски, природан
Tempo — бразилски португалски, мушки, природан
Aster — индијски енглески, женски, генерисан
Beacon — филипински енглески, мушки, генерисан
Delta — енглески с југа САД, женски, генерисан
Cinder — енглески с југа САД, мушки, генерисан
[ЧУВАР МЕСТА: Бирач гласа са 3–5 реченица по гласу које се понављају — аудио-снимци и интерактивно искуство биће накнадно додати.]
Наставићемо да проширујемо избор гласова и доступност језика током наредних месеци.
GPT‑Live‑1 је од данас доступан у API-ју по цени од 0,05 USD по минуту за предњи гласовни слој. Упарите га са позадинским моделом и окружењем агента који одговарају вашем производу, а затим направите гласовно искуство које може да се прилагођава обиму посла.
За приступ прилагођеним гласовима обратите се продајном тиму да бисте сазнали више о условима и поступку подношења захтева.
GPT‑Live‑1 можете брже да почнете да користите уз Presence, који подржава гласовна и текстуална искуства у реалном времену, попут корисничке подршке, одлазне продаје и високоризичних интерних токова рада. Обратите се свом директору налога у компанији OpenAI да бисте сазнали више.
