మేము GPT‑Live‑1ను APIలో ప్రారంభిస్తున్నాము, ఇది డెవలపర్లు వాయిస్-ఎనేబుల్డ్ యాప్‌లు, వ్యాపార వర్క్‌ఫ్లోలను రూపొందించడానికి శక్తివంతమైన, సహజమైన వాయిస్ మోడల్‌ను అందిస్తుంది. మొదట ChatGPTలో పరిచయం చేయబడిన GPT‑Live‑1 ఒకేసారి వినగలదు, మాట్లాడగలదు. అలాగే, Codex మరియు ChatGPT వర్క్‌తో చూసినట్లుగా(కొత్త విండోలో తెరుచుకుంటుంది), జతచేయబడిన మోడల్‌లు, టూల్‌లకు లోతైన రీజనింగ్ మరియు చర్యలను అప్పగించగలదు.
GPT‑Live‑1 యొక్క API విడుదల కోసం, డెవలపర్లు తమ వినియోగదారులు, వర్క్‌ఫ్లోలు, లక్ష్యాలకు అనుగుణంగా వాయిస్ అనుభవాలను నియంత్రించడానికి, అనుకూలీకరించడానికి వీలు కల్పించే కొత్త సామర్థ్యాలపై మేము దృష్టి పెట్టాము. GPT‑Live‑1 యొక్క ప్రధాన బలాల్లో ఒకటైన సజావైన అంతరాయాల నిర్వహణ ఇప్పటికే వ్యాపార ప్రభావాన్ని చూపుతోంది: ప్రారంభ మూల్యాంకనాల్లో, భాషా ట్యూటర్ స్పందించే ముందు GPT‑Live‑1 అభ్యాసకులకు ఆలోచించడానికి మరింత సమయం ఇచ్చిందని Speak గుర్తించింది. దీంతో మునుపటి టర్న్-ఆధారిత సిస్టమ్‌లతో పోలిస్తే అంతరాయాలు దాదాపు 80% తగ్గాయి.
APIలో GPT‑Live‑1 ముఖ్య బలాలు:
అంతరాయాల నిర్వహణ: ఇన్‌కమింగ్ మరియు అవుట్‌గోయింగ్ ఆడియోను కలిపి విశ్లేషించే ఒకే మోడల్ ద్వారా అంతరాయాల నిర్వహణను మెరుగుపరుస్తుంది, తద్వారా వరుసగా అనుసంధానించిన STT–LLM–TTS ఆర్కిటెక్చర్‌లలో ఉండే జాప్యాన్ని మరియు అస్థిర హ్యాండ్‌ఆఫ్‌లను నివారిస్తుంది.
రీజనింగ్ & టూల్ కాలింగ్ డెలిగేషన్: GPT‑Live‑1 రీజనింగ్ మరియు టూల్ కాల్స్‌ను GPT‑6 Astra వంటి బ్యాకెండ్ టెక్స్ట్ మోడల్‌కు లేదా థర్డ్-పార్టీ మోడల్‌కు డెలిగేట్ చేయగలదు.
టోన్, వేగం మరియు శైలి: సిస్టమ్ ప్రాంప్ట్ ద్వారా ఏజెంట్ టోన్, వేగం మరియు సంభాషణ శైలిని తీర్చిదిద్దడానికి డెవలపర్‌లను అనుమతిస్తుంది.
నిశ్శబ్ద సందర్భ నిర్వహణ & నేపథ్య శబ్దం: సంభాషణకు అంతరాయం కలిగించకుండా లేదా ప్రతి దశను బిగ్గరగా వివరించకుండా, నేపథ్య శబ్దాన్ని మరియు నిశ్శబ్దాన్ని మరింత మెరుగ్గా నిర్వహిస్తుంది.
సుదీర్ఘ సెషన్‌లలో విశ్వసనీయత: ఎక్కువసేపు సాగే పరస్పర చర్యల్లో సందర్భాన్ని నిలుపుకోవడం, సంభాషణ నాణ్యత మెరుగుపడతాయి.
టెలిఫోనీ మద్దతు: రెస్టారెంట్ రిజర్వేషన్ల నుంచి కస్టమర్ మద్దతు వరకు, ఫోన్ కాల్‌ల కోసం ఫుల్-డుప్లెక్స్ వాయిస్ ఏజెంట్‌లను అమలు చేయడానికి వీలు కల్పిస్తుంది.
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.
ఈ డెమోకు సమయ పరిమితి ఉంది. దీనిని ఉపయోగించడం ద్వారా, మీరు OpenAI నిబంధనల కు అంగీకరిస్తారు మరియు మా ప్రైవసీ పాలసీని గుర్తిస్తారు.
సాంప్రదాయ వాయిస్ ఏజెంట్లు స్పీచ్-టు-టెక్స్ట్, ఒక రీజనింగ్ మోడల్, మరియు టెక్స్ట్-టు-స్పీచ్‌ను కలుపుతాయి. ప్రతి హ్యాండ్ఆఫ్ జాప్యాన్ని పెంచి, టైమింగ్‌ను, సందర్భాన్ని లేదా సంభాషణ యొక్క సహజ లయను కోల్పోయే అవకాశాలను మరింత పెంచుతుంది. ఎవరైనా మధ్యలో అడ్డుకున్నప్పుడు, విరామం తీసుకున్నప్పుడు లేదా దిశ మార్చినప్పుడు ఏమి జరుగుతుందో సహా, ఆ దశలను సమన్వయం చేసే బాధ్యత తరచుగా డెవలపర్‌లపైనే మిగులుతుంది.
GPT‑Live‑1 ఒకే మోడల్‌లో వినడాన్ని, మాట్లాడడాన్ని నిర్వహిస్తుంది, దీంతో వాయిస్ లేయర్ సరళమవుతుంది. అంతరాయాలు, ప్రతిస్పందన సంకేతాలు వచ్చినప్పుడే వాటికి స్పందించగలదు, అదే సమయంలో లోతైన రీజనింగ్‌ను బ్యాక్ ఎండ్‌కు అప్పగిస్తుంది. దీంతో నేపథ్యంలో పని జరుగుతుండగానే సంభాషణ కొనసాగుతుంది.
డెవలపర్లు సంభాషణ వెనుక ఉండే మోడల్‌లు, సాధనాలు, ఏజెంట్ హార్నెస్‌ను ఎంచుకుంటారు. ఉదాహరణకు, షెడ్యూలింగ్ లేదా ఆర్డర్ అప్‌డేట్‌ల వంటి హై-వాల్యూమ్ పనుల కోసం వారు GPT‑Live‑1ను Luna వంటి మోడల్‌తో జత చేయవచ్చు; రీజనింగ్ అవసరమైన సంక్లిష్ట కస్టమర్ సమస్యల కోసం Astra వంటి మోడల్‌ను ఉపయోగించవచ్చు. ఆ సౌలభ్యం ప్రతి పనికి రీజనింగ్ లోతు, వేగం, ఖర్చును సరిపోల్చడానికి డెవలపర్‌లను అనుమతిస్తుంది.
GPT‑Live‑1 స్థానికంగానే ASR ట్రాన్స్‌క్రిప్ట్‌లను మరియు ప్రతిస్పందన వచనాన్ని అందిస్తుంది. ఇది బలమైన ఆల్ఫాన్యూమరిక్ అవగాహనను కూడా అందిస్తుంది మరియు కీవర్డ్ బయాసింగ్‌కు మద్దతు ఇస్తుంది. GPT‑Live‑1 టర్న్-ఆధారిత మోడల్ కానప్పటికీ, ఇది స్థానికంగానే టర్న్ గుర్తింపుకు మద్దతు ఇస్తుంది, కాబట్టి డెవలపర్లు స్పష్టమైన టర్న్ సరిహద్దుల చుట్టూ నిర్మించడాన్ని కొనసాగించవచ్చు.
మా మూల్యాంకనాలన్నింటిలో, GPT‑Live‑1, GPT‑Realtime‑2.1 కంటే Full Duplex Bench పనితీరును 30 శాతం పాయింట్ల మేరకు మెరుగుపరుస్తుంది, టర్న్-టేకింగ్ లేటెన్సీ మరియు ఇంటరాక్టివ్ ప్రవర్తనలో గణనీయమైన మెరుగుదలలతో. మీడియం రీజనింగ్-శ్రమతో GPT‑6 Astraతో జత చేసినప్పుడు, ఎండ్-టు-ఎండ్ టాస్క్‌లలో అత్యాధునిక వాయిస్-ఏజెంట్ ఇంటెలిజెన్స్‌ను కొలిచే Tau3లో కూడా ఇది #1 స్థానంలో ఉంది.
ఎయిర్‌లైన్, రిటైల్, టెలికాం డొమైన్‌లలో మౌఖిక కస్టమర్-సర్వీస్ పనులను మూల్యాంకనం చేస్తుంది. Pass@1 పని విజయాన్ని కొలుస్తుంది; శీర్షిక ప్రతి డొమైన్‌కు సమాన ప్రాధాన్యం ఇస్తుంది.
* GPT Live బ్యాకెండ్: Astra (మీడియం).
నాలెడ్జ్ రిట్రీవల్ మరియు ఖాతా టూల్స్‌తో వాయిస్ బ్యాంకింగ్ సపోర్ట్‌ను మూల్యాంకనం చేస్తుంది. Pass@1 అనేది విజయవంతంగా పూర్తైన 97 banking_knowledge టాస్క్‌ల నిష్పత్తి.
* GPT Live బ్యాకెండ్: Astra (మీడియం).
విరామ నిర్వహణ, సంభాషణలో వంతులవారీగా మాట్లాడటం, అంతరాయాలు మరియు బ్యాక్‌చానెల్‌లను మూల్యాంకనం చేస్తుంది.
నేపథ్య ప్రసంగం, మరొక వ్యక్తితో చేసే సంభాషణ, వినేవారి బ్యాక్‌చానెల్‌లు మరియు అంతరాయాలకు ప్రతిస్పందనలను పరీక్షిస్తుంది.
యూజర్ ఒక టర్న్‌ను పూర్తి చేసిన తర్వాత ఏజెంట్ తన ప్రత్యుత్తరాన్ని ఎంత త్వరగా ప్రారంభిస్తుందో కొలుస్తుంది.
సహజమైన విరామాలు, సంకోచాలు, మరియు స్వీయ-సవరణలు ఉన్న మాట్లాడే అభ్యర్థనల నుంచి టూల్ వినియోగాన్ని పరీక్షిస్తుంది. Pass@1 టూల్-కాల్ క్రమాన్ని స్కోర్ చేస్తుంది.
* GPT Live బ్యాకెండ్: Terra (తక్కువ).
విరామాలు, సంకోచాలు, స్వీయ-సవరణలు ఉన్న టూల్‌లను ఉపయోగించే అభ్యర్థనలకు ఇచ్చే మౌఖిక సమాధానాన్ని మూల్యాంకనం చేస్తుంది. సమాధానం రిఫరెన్స్ ఉద్దేశంతో ఎంత బాగా సరిపోతుందో స్కోర్ చేస్తుంది.
* GPT Live బ్యాకెండ్: Terra (తక్కువ).
డెవలపర్‌లకు తమ ఉత్పత్తికి సరిపోయే, దాన్ని ఉపయోగించే వ్యక్తులకు సహజంగా వినిపించే వాయిస్‌లు అవసరం. GPT‑Live‑1తో, మేము చిన్న సంఖ్యలో ఉన్న రియల్-టైమ్ వాయిస్‌ల నుండి యాసలు, మాండలికాలు, భాషలలో విస్తృత ఎంపికకు విస్తరిస్తున్నాం, ఇది డెవలపర్‌లకు వారి అసిస్టెంట్‌లు ఎలా వినిపించాలో మరిన్ని ఎంపికలు ఇస్తుంది.
రాబోయే నెలల్లో వాయిస్ ఎంపికలను మరియు భాషా లభ్యతను మేము విస్తరిస్తూనే ఉంటాము.
GPT‑Live‑1 ఈరోజు APIలో(కొత్త విండోలో తెరుచుకుంటుంది) ఫ్రంట్-ఎండ్ వాయిస్ లేయర్ కోసం నిమిషానికి $0.05కు అందుబాటులో ఉంది. మీ ఉత్పత్తికి సరిపోయే బ్యాక్-ఎండ్ మోడల్, ఏజెంట్ హార్నెస్‌తో దీన్ని జతచేసి, అది చేయాల్సిన పనికి అనుగుణంగా స్కేల్ అయ్యే వాయిస్ అనుభవాన్ని రూపొందించండి.
కస్టమ్ వాయిస్ యాక్సెస్ కోసం, అర్హత మరియు అభ్యర్థన ప్రక్రియ గురించి మరింత తెలుసుకోవడానికి సేల్స్‌ను సంప్రదించండి.
GPT‑Live‑1తో వాయిస్ వర్క్‌ఫ్లోలను రూపొందించడానికి మరో మార్గం OpenAI Presence. ఇది రియల్-టైమ్ వాయిస్ ఇంటరాక్షన్‌లకు శక్తినివ్వడానికి మోడల్‌ను ఉపయోగిస్తుంది. Presence ప్రశ్నలకు సమాధానం ఇవ్వగల, సమస్యలను పరిష్కరించగల, కంపెనీ సిస్టమ్‌లను ఉపయోగించగల, ఆమోదిత చర్యలు తీసుకోగల, అవసరమైనప్పుడు మనుషులకు ఎస్కలేట్ చేయగల నమ్మదగిన AI ఏజెంట్‌లను ఎంటర్‌ప్రైజ్‌లు డిప్లాయ్ చేయడానికి సహాయపడుతుంది. మరింత తెలుసుకోవడానికి నీ OpenAI అకౌంట్ డైరెక్టర్‌ను సంప్రదించు.
