GPT‑Live పరిచయం

కృత్రిమ మేధస్సుతో మాట్లాడటం నిజమైన సంభాషణలా మరింత సహజంగా అనిపించేలా చేసే కొత్త తరం వాయిస్ మోడల్స్ అయిన GPT‑Liveను మేము ప్రారంభిస్తున్నాము.

GPT‑Live ఫుల్-డూప్లెక్స్ ఆర్కిటెక్చర్‌పై నిర్మించబడింది, అంటే అది ఒకేసారి వినగలదు మరియు మాట్లాడగలదు. సంభాషణల సమయంలో, GPT‑Live “హ్మ్” లేదా “అవును” వంటి పదాలతో తాను శ్రద్ధగా వింటున్నట్లు చూపగలదు, వేగంగా అటూ ఇటూ సంభాషణలో పాల్గొనగలదు, లేదా మీకు ఆలోచించడానికి క్షణం అవసరమైనప్పుడు మౌనంగా ఉండగలదు. దీని ఫలితం, మాట్లాడటానికి ఎంతో సులభంగా అనిపించే వాయిస్ అనుభవం.

GPT‑Live ఇప్పటివరకు మా అత్యంత తెలివైన వాయిస్ మోడల్ కూడా. వెబ్ సెర్చ్, లోతైన రీజనింగ్, లేదా మరింత క్లిష్టమైన వర్క్ అవసరమయ్యే ప్రశ్నల కోసం, ఇది నేపథ్యంలో మా తాజా ఫ్రాంటియర్ మోడల్‌కు టాస్క్‌ను అప్పగించి, ఫలితం సిద్ధమైన వెంటనే దాన్ని సంభాషణలోకి తీసుకువస్తుంది. ఈ ప్రక్రియ జరుగుతున్నంతసేపు, GPT‑Live మీతో మాట్లాడుతూనే ఉండి సంభాషణ సహజంగా కొనసాగేటట్లు చూస్తుంది. ప్రారంభంలో, GPT‑Live నేపథ్యంలో GPT‑5.5ను ఉపయోగిస్తుంది. కొత్త ఫ్రాంటియర్ మోడల్‌లను విడుదల చేస్తూ ఉండగా, GPT‑Live ఉపయోగించే మోడల్‌ను కూడా మేము నిరంతరం అప్‌డేట్ చేస్తుంటాము.

ఈ పురోగతులు మరింత తెలివైనదిగా, ఉపయోగించడానికి సహజమైనదిగా ఉండే కొత్త ChatGPT వాయిస్ అనుభవానికి శక్తినిస్తాయి. కాలక్రమంలో, ఈ పరిశోధన వాయిస్‌ను మరింత క్లిష్టమైన, ఎక్కువ సమయం పట్టే, మరింత ఏజెంట్ తరహా పనుల కోసం ఉపయోగించే సామర్థ్యాన్ని కూడా అందుబాటులోకి తెస్తుందని మేము నమ్ముతున్నాము.

మేము ఈ రోజు నుంచే ప్రపంచవ్యాప్తంగా ChatGPT వినియోగదారులకు GPT‑Live యొక్క రెండు వెర్షన్లను – GPT‑Live‑1 మరియు GPT‑Live‑1 mini – దశలవారీగా అందించడం ప్రారంభిస్తున్నాము. వాటిని త్వరలో APIకి కూడా తీసుకురావాలని మేము యోచిస్తున్నాము, అలాగే డెవలపర్లు మరియు సంస్థలు ఈ ఫారమ్⁠ ఉపయోగించి సమాచారం పొందడానికి సైన్ అప్ చేయవచ్చు.

నిజంగా సహజమైన మానవ–కృత్రిమ మేధస్సు పరస్పర చర్యను సాధ్యం చేయడం మా విజన్: మరొక వ్యక్తితో కలిసి పనిచేస్తున్నంత సాఫీగా, వేగంగా స్పందించేలా కృత్రిమ మేధస్సుతో సహకారం అనిపించే ప్రపంచం; అదే సమయంలో రీజనింగ్ మరియు క్లిష్టమైన పనుల అమలు బ్యాక్‌గ్రౌండ్‌లో నిరంతరాయంగా సాగుతాయి.

పాత తరం వాయిస్ కృత్రిమ మేధస్సు సిస్టమ్స్ మమ్మల్ని ఆ విజన్‌కు దగ్గర చేశాయి, కానీ వాటిలో ముఖ్యమైన రాజీలు ఉన్నాయి.

కాస్కేడెడ్ వాయిస్ సిస్టమ్స్ ప్రతి టర్న్‌ను ప్రాసెస్ చేయడానికి ఒకదాని తర్వాత ఒకటి పనిచేసే మోడల్స్ శ్రేణిపై ఆధారపడతాయి. అసలు ChatGPT వాయిస్ మూడు మోడల్స్‌ను కలిపి నడిపింది: మీ మాటలను లిప్యంతరీకరించడానికి స్పీచ్-టు-టెక్స్ట్ మోడల్, ప్రతిస్పందనను రూపొందించడానికి పెద్ద భాషా మోడల్, దాన్ని మళ్లీ మాటలుగా మార్చడానికి టెక్స్ట్-టు-స్పీచ్ మోడల్. ఈ విధానం మాకు తొలిసారిగా అత్యాధునిక కృత్రిమ మేధస్సు మోడల్స్‌తో మాట్లాడే అవకాశం ఇచ్చింది, కానీ ఆ సంక్లిష్టతకు మూల్యం చెల్లించాల్సి వచ్చింది: మోడల్స్ మధ్య సమాచారం కోల్పోవచ్చు, ప్రతిస్పందనలు నెమ్మదిగా, తడబడేలా ఉండేవి.

ChatGPT అడ్వాన్స్డ్ వాయిస్ మోడ్ వంటి టర్న్-బేస్డ్ వాయిస్ మోడల్స్ ఒకే మోడల్‌లో ఆడియోను ప్రాసెస్ చేసి రూపొందించాయి, దీనివల్ల లేటెన్సీ తగ్గి సంభాషణలు సాఫీగా మారాయి — కానీ అవి ఇప్పటికీ విడివిడిగా ఉండే టర్న్‌ల ద్వారానే పనిచేశాయి. ప్రతిస్పందించే ముందు మోడల్ వినియోగదారు మాట్లాడటం ఆపే వరకు వేచి ఉండాల్సి వచ్చింది, దాంతో ప్రశ్నోత్తర మార్పిడి కఠినంగా మారింది. అదనంగా, టర్న్‌ను గుర్తించడం నిశ్శబ్దంపై ఆధారపడటం వల్ల, చిన్న విరామం లేదా నేపథ్య శబ్దం కూడా టర్న్ ముగిసినట్లు పొరపాటుగా భావించబడవచ్చు — దీని వల్ల మోడల్ అసహజ సమయాల్లో మధ్యలో మాట్లాడే అవకాశం ఉంది.

GPT‑Live రెండు ఆర్కిటెక్చర్ మార్పుల ద్వారా ఈ పరిమితులను పరిష్కరిస్తుంది.

మొదట, ఫుల్-డూప్లెక్స్ ఆర్కిటెక్చర్‌ను ఉపయోగించి నిరంతర పరస్పర చర్య కోసం మేము GPT‑Liveను నిర్మించాము. వేర్వేరు సందేశాల క్రమాన్ని ప్రాసెస్ చేయడం బదులుగా, GPT‑Live అవుట్‌పుట్‌ను రూపొందిస్తూనే ఇన్‌పుట్‌ను నిరంతరం ప్రాసెస్ చేస్తుంది. అందువల్ల మోడల్ ప్రతి సెకనుకు అనేకసార్లు పరస్పర చర్య నిర్ణయాలు తీసుకోగలదు: మాట్లాడాలా, వింటూనే ఉండాలా, విరామం తీసుకోవాలా, మధ్యలో మాట్లాడాలా, లేదా టూల్‌ను ఇన్వోక్ చేయాలా.

దీనివల్ల మోడల్ మరింత సహజమైన అటూ ఇటూ సంభాషణలో పాల్గొనగలదు, సమయంపై మెరుగైన అవగాహన నిలుపుకోగలదు, ప్రత్యక్ష అనువాదం కూడా చేయగలదు.

రెండవది, నిరంతర పరస్పర చర్యను నిర్వహించే GPT‑Liveను లోతైన పని నుంచి మేము వేరు చేశాము. ఒక ప్రశ్నకు శోధన, రీజనింగ్ లేదా మరింత ఏజెంట్ తరహా సామర్థ్యాలు అవసరమైనప్పుడు, GPT‑Live ఆ పనిని GPT‑5.5 వంటి మరో మోడల్‌కు అప్పగించగలదు. ఇది బ్యాక్‌గ్రౌండ్‌లో పలు పనులను నిర్వహిస్తున్నప్పటికీ సంభాషణను కొనసాగించడానికి వీలు కల్పిస్తుంది.

ఈ ఆర్కిటెక్చర్ మార్పు GPT‑Liveకు తాజా మోడల్స్ మరియు ఏజెంట్లను నిరంతరం ఉపయోగించే అవకాశం కూడా ఇస్తుంది, తద్వారా అత్యాధునిక ఇంటెలిజెన్స్‌ను సహజ పరస్పర చర్యతో కలిపిస్తుంది.

ఆహ్లాదకరతను మరియు సంభాషణ ప్రవాహాన్ని కొలవడానికి మేము కొత్త మానవ మూల్యాంకనాలను రూపొందించాము. ఈ హెడ్-టు-హెడ్ పోలికల్లో, మొత్తం ప్రాధాన్యత, టర్న్-టేకింగ్, అంతరాయాలు, సంభాషణ ప్రవాహం, ప్రతి పరస్పర చర్య ఎంత సహజంగా అనిపించిందో కొలిచే సరిపోలిన 5–10 నిమిషాల సంభాషణల్లో, అడ్వాన్స్డ్ వాయిస్ మోడ్ కంటే GPT‑Live‑1 మరియు GPT‑Live‑1 miniకి బలమైన ప్రాధాన్యత లభించింది.

• GPQA: జీవశాస్త్రం, రసాయనశాస్త్రం, భౌతికశాస్త్రం అంతటా నిపుణుల స్థాయి శాస్త్రీయ రీజనింగ్‌ను పరీక్షించే GPQAలో, GPT‑Live‑1 అడ్వాన్స్డ్ వాయిస్ మోడ్‌ను గణనీయంగా మించిపోయింది.
• BrowseComp: ఏజెంట్ తరహా వెబ్ శోధనను మరియు కనుగొనడం కష్టమైన సమాచారాన్ని కనుగొనే సామర్థ్యాన్ని పరీక్షించే BrowseCompలో, GPT‑Live‑1 అడ్వాన్స్డ్ వాయిస్ మోడ్‌తో పోలిస్తే బలమైన మెరుగుదలలను చూపిస్తుంది.
• τ³-Voice Telecom (అంతర్గత వేరియంట్)**: వాస్తవిక, బహుళ-టర్న్ టెలికాం మద్దతు పనుల్లో వాయిస్ ఏజెంట్లను పరీక్షించే τ³-Voice Telecomలో, GPT‑Live‑1 అడ్వాన్స్డ్ వాయిస్ మోడ్‌ను మించిపోయింది.

ప్రతి వారం, 150 మిలియన్లకు పైగా మంది Voice మరియు Dictation వంటి ఫీచర్‌లను ఉపయోగించి ChatGPTతో మాట్లాడుతున్నారు. వారు చేతులు ఉపయోగించకుండా రోజువారీ సహాయం పొందడానికి, భాషలను అభ్యసించడానికి, పడుకునే ముందు కథలు చెప్పించుకోవడానికి లేదా ప్రయాణ సమయంలో సరదాగా మాట్లాడుకోవడానికి దీన్ని ఉపయోగిస్తారు.

ఈ రోజు నుంచి, ChatGPTతో మాట్లాడటానికి మీరు Voice బటన్‌ను ట్యాప్ చేసినప్పుడు, GPT‑Live శక్తితో మరింత మెరుగైన అనుభవం లభిస్తుంది—ఇందులో మరింత సహజమైన సంభాషణలు, తెలివైన సమాధానాలు, మెరుగైన వినికిడి, దృశ్య స్పందనలు ఉంటాయి.

ChatGPTతో మాట్లాడటం ఇప్పుడు నిజమైన సంభాషణలా మరింత అనిపించాలి. మీరు ప్రశ్నతో మధ్యలో ఆపవచ్చు, ఆలోచనలు సర్దుకోవడానికి కాసేపు ఆగవచ్చు లేదా నెమ్మదిగా మాట్లాడమని ChatGPTని అడగవచ్చు. మీరు చెప్పేది అది అనుసరిస్తోందని మీకు తెలియడానికి, “మ్-హ్మ్” లేదా “అర్థమైంది” వంటి పదాలతో సహజంగా స్పందిస్తుంది. GPT‑Live కోసం ChatGPTలోని తొమ్మిది ప్రత్యేక స్వరాలను కూడా మేము రీమాస్టర్ చేశాము.

మీకు అవసరమైనప్పుడు మరింత తెలివైన సమాధానాలు అందించడానికి ChatGPT వాయిస్ ఇప్పుడు మా తాజా అత్యాధునిక మోడల్‌లను ఉపయోగించగలదు. మీ అవసరానికి సరిపోయే రీజనింగ్ స్థాయిని కూడా మీరు ఎంచుకోవచ్చు: వేగవంతమైన స్పందనల కోసం Instant, లేదా ChatGPT మరింత సమయం తీసుకుని ఆలోచించాలని అనుకున్నప్పుడు Medium మరియు High.

మీరు ఆలోచించడానికి కాసేపు ఆగితే, ChatGPT వాయిస్ ఇప్పుడు వెంటనే మాట్లాడి మధ్యలో అడ్డుకోకుండా వేచి ఉంటుంది. నిశ్శబ్దంగా ఉండి వినమని మీరు అడిగితే, అది అలాగే చేస్తుంది. అలాగే ట్రాఫిక్ శబ్దం లేదా దగ్గరలోని సంభాషణలు వంటి నేపథ్య శబ్దం ఉన్నప్పుడు, ChatGPT దృష్టి చెదరకుండా మీ స్వరంపై దృష్టి పెట్టడంలో మరింత మెరుగైంది.

కొన్ని సమాధానాలు కనిపించినప్పుడు మరింత ఉపయోగకరంగా ఉంటాయి. మీరు మాట్లాడుతున్నప్పుడే, వాతావరణం, స్టాక్‌లు, క్రీడలు వంటి అంశాల కోసం ChatGPT ఇప్పుడు సమృద్ధమైన దృశ్య కార్డ్‌లను చూపగలదు. Voice శోధన, మెమరీ, చిత్రాలు మరియు ఫైల్ అప్‌లోడ్‌లకు కూడా మద్దతు కొనసాగిస్తుంది.

దీని ఫలితంగా ChatGPT వాయిస్ అనుభవం రోజువారీ జీవితంలో మరింత సహజంగా, మరింత సామర్థ్యవంతంగా, మరింత ఉపయోగకరంగా అనిపిస్తుంది.

GPT‑Live డిఫాల్ట్‌గా సురక్షితంగా ఉండేలా రూపొందించబడింది. ఇది మా తాజా మోడల్‌ల భద్రతా పురోగతులపై నిర్మించబడింది; అలాగే కీలక ప్రమాద ప్రాంతాల్లో ప్రత్యేక భద్రతా శిక్షణను, వాయిస్ కోసం ప్రత్యేకంగా రూపొందించిన కొత్త రక్షణలను జోడిస్తుంది.

నిజ జీవిత పరిస్థితుల్లో ప్రజలు వాయిస్‌ను ఎలా ఉపయోగిస్తారో మరింత సరిగ్గా ప్రతిబింబించేందుకు, కొత్త ఆడియో-నేటివ్ మూల్యాంకనాలను చేర్చి మా భద్రతా పరీక్షలను విస్తరించడం నుంచి మేము ప్రారంభించాము. అడ్వాన్స్డ్ వాయిస్ మోడ్ నుంచి నేర్చుకున్న విషయాలను ఆధారంగా తీసుకుని, జనరేట్ చేసిన ఆడియోను ఉపయోగించి కీలక భద్రతా ప్రాంతాలపై మరింత తీవ్రంగా దృష్టి పెట్టే సింథటిక్ మూల్యాంకనాలను కూడా మేము రూపొందించాము. ఆ ప్రాంతాల్లో స్వీయహాని, సైకోసిస్ మరియు మేనియా, AIపై భావోద్వేగ ఆధారపడటం, హింస, లైంగిక కంటెంట్ ఉన్నాయి. వాయిస్‌కు మాత్రమే ప్రత్యేకమైన ప్రమాదాల కోసం అంతర్గత నిపుణులు మోడల్‌ను రెడ్-టీమ్ కూడా చేశారు.

మా పరీక్షల్లో, మేము మూల్యాంకనం చేసిన దాదాపు అన్ని ప్రాంతాల్లో GPT‑Live అడ్వాన్స్డ్ వాయిస్ మోడ్‌తో సమానంగా లేదా దానికంటే మెరుగ్గా పనిచేసింది. మా పరీక్షలు మరియు రక్షణల గురించి మీరు GPT‑Live సిస్టమ్ కార్డ్⁠(కొత్త విండోలో తెరుచుకుంటుంది)లో మరింత చదవవచ్చు.

వాయిస్ కన్వర్సేషన్స్ నిజ సమయంలో సాగుతాయి కాబట్టి, మోడల్ మాట్లాడుతున్నప్పుడే పనిచేయగల రక్షణలను కూడా మేము నిర్మించాము. సంభావ్యంగా అసురక్షిత అవుట్‌పుట్‌ను సిస్టమ్ గుర్తించినప్పుడు, అది మోడల్‌ను మరింత సురక్షిత స్పందన వైపు మళ్లించగలదు, అదనపు భద్రతా సందేశాలు లేదా వనరులను చూపగలదు, లేదా ఎక్కువ ప్రమాదం ఉన్న సందర్భాల్లో వాయిస్ సంభాషణను ముగించగలదు. స్వీయహాని సంబంధిత సంభాషణల కోసం, నిపుణులు పరిశీలించిన సంక్షోభ హెల్ప్‌లైన్ మద్దతును అందించడం సహా, ChatGPT యొక్క సహాయ ప్రవాహాలను వాయిస్‌కు అనుగుణంగా మార్చాము.

టీనేజ్ వినియోగదారులకు మద్దతుగా అదనపు రక్షణలను రూపొందించాము; అనుచిత స్పందనల ప్రమాదాన్ని తగ్గించడానికి వయస్సుకు తగిన ప్రవర్తనను నేరుగా మోడల్‌లో శిక్షణ ఇచ్చాము. తమ టీనేజ్ పిల్లలు ChatGPT వాయిస్‌ను ఉపయోగించాలా వద్దా అని తల్లిదండ్రులు పేరెంటల్ కంట్రోల్స్ ద్వారా ఎంచుకోవచ్చు; సంభావ్య స్వీయహాని లేదా ఆత్మహత్య ఉద్దేశం సంకేతాలు ఉన్న అధిక-ప్రమాద పరిస్థితుల్లో లింక్ చేసిన తల్లిదండ్రులకు నోటిఫికేషన్ పంపవచ్చు.

మా అవగాహనను నిరంతరం మెరుగుపరచి రక్షణలను మెరుగుపరచడం కోసం, భావోద్వేగ ఆధారపడటంపై దృష్టి పెట్టిన దీర్ఘకాలిక కొలతలు మరియు ప్రారంభానంతర పర్యవేక్షణను కూడా మేము అమలు చేస్తున్నాము. భావోద్వేగ వినియోగం మరియు భావోద్వేగ శ్రేయస్సుపై మా మునుపటి పరిశోధనను ఆధారంగా తీసుకుని, ఇది వెలుగులోకి వస్తున్న ధోరణులను గుర్తించడంలో మరియు భావోద్వేగంగా సున్నితమైన పరస్పర చర్యల్లో సిస్టమ్ ఎలా స్పందిస్తుందో మెరుగుపరచడంలో మాకు సహాయపడుతుంది.

చివరిగా, GPT‑Live సంభాషణ కోసం రూపొందించబడింది, వాయిస్‌ను అనుకరించడానికి కాదు. ఇది ChatGPTలో ముందే నిర్వచించిన స్వరాల సమితిని ఉపయోగిస్తుంది; నిజమైన వ్యక్తి స్వరాన్ని అనుకరించకుండా నిరోధించడానికి రక్షణలు ఉన్నాయి.

భద్రత మరియు శ్రేయస్సుకు మద్దతు ఇవ్వడానికి మేము కట్టుబడి ఉన్నాము; వాస్తవ వినియోగం నుంచి నేర్చుకుంటూ ఈ రక్షణలను మరింత బలోపేతం చేస్తూనే ఉంటాము.

GPT‑Live ఇప్పుడు iOS, Android మరియు ChatGPT.com⁠(కొత్త విండోలో తెరుచుకుంటుంది)లో ప్రపంచవ్యాప్తంగా ChatGPT వినియోగదారులకు అందుబాటులోకి వస్తోంది. Go, Plus, Pro వినియోగదారుల కోసం ChatGPT వాయిస్‌ను నడిపించే డిఫాల్ట్ మోడల్‌గా GPT‑Live‑1 మారుతుంది; Free వినియోగదారుల కోసం GPT‑Live‑1 mini డిఫాల్ట్ అవుతుంది. లభ్యతకు సంబంధించిన మరిన్ని వివరాలు మా హెల్ప్ సెంటర్⁠(కొత్త విండోలో తెరుచుకుంటుంది)లో చూడవచ్చు.

ChatGPTలో అత్యంత ప్రజాదరణ పొందిన కొన్ని భాషల కోసం GPT‑Liveను మేము ఆప్టిమైజ్ చేశాము. కొన్ని భాషల్లో, మోడల్‌కు స్థానికేతర ఉచ్చారణ ఉండవచ్చు లేదా మాట్లాడే ప్రవాహంలో లోపాలు ఉండవచ్చు. భాషలన్నింటిలోనూ అనుభవాన్ని మెరుగుపరచడానికి మేము చురుకుగా పనిచేస్తున్నాము.

ప్రారంభ సమయంలో, GPT‑Live ChatGPTలో వీడియో లేదా స్క్రీన్ షేరింగ్‌తో కూడిన వాయిస్‌కు మద్దతు ఇవ్వదు, కానీ ఈ సామర్థ్యాలను త్వరలో పరిచయం చేయడానికి మేము పనిచేస్తున్నాము. ఈ ఫీచర్‌లు అందుబాటులో ఉన్న చోట, Standard మరియు అడ్వాన్స్డ్ వాయిస్ మోడ్ సహా ChatGPT వాయిస్ పాత వెర్షన్‌లను మీరు ఇప్పటికీ యాక్సెస్ చేయవచ్చు.