Представљамо GPT‑Live

Покрећемо GPT‑Live, нову генерацију гласовних модела због којих разговор са вештачком интелигенцијом много више личи на прави разговор.

GPT‑Live је изграђен на архитектури пуног дуплекса, што значи да може истовремено да слуша и говори. Током разговора, GPT‑Live може да покаже да обраћа пажњу изразима као што су „мхм” или „да”, да учествује у брзој размени или да једноставно ћути када вам треба тренутак да размислите. Резултат је гласовно искуство са којим је освежавајуће лако разговарати.

GPT‑Live је уједно наш најпаметнији гласовни модел до сада. За питања која захтевају претрагу веба, дубље резоновање или сложенији рад, он у позадини препушта задатак нашем најновијем граничном моделу и враћа резултат у разговор када буде спреман. Док ради, GPT‑Live може да настави разговор са вама и одржи његов ток. При лансирању, GPT‑Live ће у позадини користити модел GPT‑5.5. Како будемо објављивали нове граничне моделе, стално ћемо ажурирати модел који GPT‑Live користи.

Ова унапређења покрећу ново искуство интерфејса Говорни ChatGPT које је интелигентније и природније за коришћење. Верујемо да ће ово истраживање временом омогућити и коришћење гласа за све сложенији, дуготрајнији и агентскији рад.

Данас почињемо глобално увођење две верзије модела GPT‑Live – GPT‑Live‑1 и GPT‑Live‑1 mini – за кориснике услуге ChatGPT. Планирамо и да их ускоро уведемо у API, а пројектанти и предузећа могу да се пријаве за обавештења преко овог обрасца⁠.

Наша визија је да омогућимо заиста природну интеракцију човека и вештачке интелигенције: свет у ком сарадња са ВИ делује течно и одзивно као рад са другом особом, док се резоновање и извршавање сложених задатака неприметно одвијају у позадини.

Старије генерације гласовних система вештачке интелигенције приближиле су нас тој визији, али уз важне компромисе.

Каскадни гласовни системи ослањају се на низ модела који делују један за другим како би обрадили сваки потез у разговору. Првобитни Говорни ChatGPT повезивао је три модела: модел за претварање говора у текст који транскрибује говор, велики језички модел који производи одговор и модел за претварање текста у говор који га поново претвара у говор. Тај приступ нам је први пут омогућио да разговарамо са граничним моделима вештачке интелигенције, али је сложеност имала цену: информације су могле да се изгубе између модела, а одговори су били спори и укочени.

Гласовни модели засновани на смењивању, као што је режим напредног гласа у услузи ChatGPT, обрађивали су и генерисали звук у оквиру једног модела, смањујући кашњење и чинећи разговоре течнијим – али су и даље функционисали кроз одвојена смењивања. Модел је морао да чека да корисник престане да говори пре него што одговори, што је доводило до круте размене. Поред тога, пошто се откривање потеза заснива на тишини, чак и кратка пауза или позадинска бука могли су бити погрешно протумачени као крај смењивања – због чега би модел прекидао у неприродним тренуцима.

GPT‑Live решава ова ограничења кроз две архитектонске промене.

Прво, направили смо GPT‑Live за континуирану интеракцију користећи архитектуру пуног дуплекса. Уместо да обрађује низ засебних порука, GPT‑Live континуирано обрађује улаз док генерише излаз. Зато модел може да доноси одлуке о интеракцији више пута у секунди: да ли да говори, настави да слуша, застане, прекине или позове алатку.

То омогућава моделу природнију размену, бољи осећај за време, па чак и превођење уживо.

Друго, раздвојили смо GPT‑Live – који управља континуираном интеракцијом – од дубљег рада. Када питање захтева претрагу, резоновање или више агентских могућности, GPT‑Live може да делегира задатак другом моделу, као што је GPT‑5.5. То му омогућава да одржи разговор, чак и док у позадини обавља више задатака.

Ова архитектонска промена такође омогућава моделу GPT‑Live да континуирано користи најновије моделе и агенте, комбинујући граничну интелигенцију са природном интеракцијом.

Направили смо нове евалуације са људима како бисмо измерили пријатност и ток разговора. У овим директним поређењима, GPT‑Live‑1 и GPT‑Live‑1 mini имају изразиту предност у односу на режим напредног гласа у подударним разговорима од 5–10 минута који мере укупну преференцију, смењивање саговорника, прекиде, ток разговора и колико је свака интеракција деловала природно.

• GPQA: GPT‑Live‑1 знатно надмашује режим напредног гласа на GPQA, који тестира научно резоновање на експертском нивоу у биологији, хемији и физици.
• BrowseComp: GPT‑Live‑1 показује велики напредак у односу на режим напредног гласа на тесту BrowseComp, који тестира агентску претрагу веба и способност проналажења тешко доступних информација.
• τ³-Voice Telecom**: GPT‑Live‑1 надмашује режим напредног гласа на тесту τ³-Voice Telecom, који тестира гласовне агенте на реалистичним телекомуникационим задацима подршке у више смењивања.

Сваке недеље више од 150 милиона људи разговара са услугом ChatGPT користећи функције као што су Voice и диктирање. Користе га за свакодневну помоћ без руку, вежбање језика, приче за лаку ноћ или просто за ћаскање током путовања на посао.

Од данас, када додирнете дугме Voice да разговарате са услугом ChatGPT, добићете унапређено искуство које покреће GPT‑Live – са природнијим разговорима, паметнијим одговорима, бољим слушањем и визуелним одговорима.

Разговор са услугом ChatGPT сада би требало много више да личи на прави разговор. Можете да га прекинете питањем, застанете да саберете мисли или замолите ChatGPT да успори. Он природно показује да прати шта говорите изразима као што су „мхм” или „разумем”, тако да знате да вас слуша. Такође смо ремастеровали девет препознатљивих гласова у услузи ChatGPT за GPT‑Live.

Говорни ChatGPT сада може да користи наше најновије граничне моделе и да вам пружи паметније одговоре када су вам потребни. Можете и да изаберете ниво резоновања који одговара вашим потребама: Instant за брзе одговоре или Medium и High када желите да ChatGPT проведе више времена размишљајући.

Ако вам треба тренутак да размислите, Говорни ChatGPT сада чека уместо да ускаче и прекида вас. Ако му кажете да ћути и слуша, тако ће и урадити. А када има позадинске буке, попут саобраћаја у пролазу или разговора у близини, ChatGPT се боље усредсређује на ваш глас уместо да му нешто одвлачи пажњу.

Неки одговори су кориснији када можете да их видите. Док разговарате, ChatGPT сада може да приказује богате визуелне картице за теме као што су време, акције, спорт и још много тога. Voice и даље подржава претрагу, меморију, слике и отпремање датотека.

Резултат је искуство са интерфејсом Говорни ChatGPT које делује природније, способније и корисније у свакодневном животу.

GPT‑Live је осмишљен тако да подразумевано буде безбедан. Надовезује се на безбедносна унапређења из наших најновијих модела, уз наменску безбедносну обуку у кључним областима ризика и нове мере заштите посебно осмишљене за глас.

Да бисмо боље одразили начин на који људи користе глас у стварним условима, почели смо проширивањем безбедносног тестирања новим евалуацијама заснованим на звуку. Направили смо и синтетичке евалуације које користе генерисани звук како би се интензивније усредсредиле на кључне области безбедности, ослањајући се на оно што смо научили из режима напредног гласа. Те области обухватају самоповређивање, психозу и манију, емоционално ослањање на вештачку интелигенцију, насиље и сексуални садржај. Интерни стручњаци су такође спровели тестирање модела црвене команде за ризике јединствене за глас.

У нашем тестирању, GPT‑Live је у скоро свим областима које смо процењивали био упоредив са режимом напредног гласа или бољи од њега. Више о нашем тестирању и мерама заштите можете прочитати у системској картици⁠(отвара се у новом прозору) за GPT‑Live.

Пошто се гласовни разговори одвијају у реалном времену, уградили смо и мере заштите које могу да делују док модел говори. Када систем открије потенцијално небезбедан излаз, може да усмери модел ка безбеднијем одговору, прикаже додатне безбедносне поруке или ресурсе, или да прекине гласовни разговор у случајевима већег ризика. За разговоре који укључују самоповређивање, прилагодили смо токове подршке за глас услуге ChatGPT, укључујући нуђење подршке кризних линија коју су проверили стручњаци.

Осмислили смо додатне заштите за подршку тинејџерима и директно обучили модел за понашање примерено узрасту како бисмо смањили ризик од непримерених одговора. Родитељи могу преко родитељских контрола да изаберу да ли њихов тинејџер може да користи Говорни ChatGPT, а повезани родитељи могу бити обавештени у ситуацијама већег ризика које укључују знаке могућег самоповређивања или суицидалне намере.

Такође уводимо дугорочнија мерења и праћење после лансирања усмерене на емоционално ослањање, како бисмо наставили да унапређујемо разумевање и усавршавамо мере заштите. Надовезујући се на наше претходно истраживање о афективној употреби и емоционалном благостању, то ће нам помоћи да препознамо нове обрасце и побољшамо начин на који систем реагује у емоционално осетљивим интеракцијама.

На крају, GPT‑Live је осмишљен за разговор, а не за имитирање гласа. Користи скуп унапред дефинисаних гласова у услузи ChatGPT, уз мере заштите које спречавају имитирање гласа стварне особе.

Посвећени смо подршци безбедности и благостању и наставићемо да јачамо ове заштите док учимо из употребе у стварном свету.

GPT‑Live се сада уводи за кориснике услуге ChatGPT широм света на оперативним системима iOS, Android и сајту ChatGPT.com⁠(отвара се у новом прозору). GPT‑Live‑1 ће постати подразумевани модел који покреће Говорни ChatGPT за кориснике пакета Go, Plus и Pro, а GPT‑Live‑1 mini ће постати подразумеван за кориснике пакета Free. Више детаља о доступности можете пронаћи у нашем Центру за помоћ⁠(отвара се у новом прозору).

Оптимизовали смо GPT‑Live за неке од најпопуларнијих језика у услузи ChatGPT. За одређене језике, модел може имати страни акценат или мањкавости у погледу течности говора. Активно радимо на побољшању искуства на различитим језицима.

При лансирању, GPT‑Live неће подржавати глас са видеом или дељењем екрана у услузи ChatGPT, али радимо на томе да ускоро уведемо те могућности. И даље можете приступити старијим верзијама интерфејса Говорни ChatGPT, укључујући Standard и режим напредног гласа, ако су те функције доступне.