เรากำลังเปิดตัว GPT‑Live โมเดลเสียงเจเนอเรชันใหม่ที่ทำให้การพูดคุยกับ AI ให้ความรู้สึกเหมือนการสนทนากับคนจริงๆ มากยิ่งขึ้น
GPT‑Live สร้างขึ้นบนสถาปัตยกรรม Full-Duplex ซึ่งหมายความว่าสามารถฟังและพูดได้ในเวลาเดียวกัน ระหว่างพูดคุย GPT‑Live จะแสดงออกว่ากำลังรับฟังด้วยคำพูดตอบรับอย่าง “อืม” หรือ “อือ” อีกทั้งยังสามารถโต้ตอบรับส่งบทสนทนาได้อย่างฉับไว หรือเลือกที่จะเงียบไว้เมื่อคุณต้องการเวลาคิด ผลลัพธ์คือประสบการณ์การสนทนาด้วยเสียงที่ทำให้การพูดคุยเป็นเรื่องง่ายและเป็นธรรมชาติอย่างน่าประทับใจ
GPT‑Live ยังเป็นโมเดลเสียงที่ฉลาดที่สุดของเราอีกด้วย สำหรับคำถามที่จำเป็นต้องใช้การค้นหาบนเว็บ การใช้เหตุผลเชิงลึก หรือการทำงานที่ซับซ้อน ระบบจะส่งต่องานไปยังโมเดลระดับแนวหน้าล่าสุดของเราที่ทำงานอยู่เบื้องหลัง และนำผลลัพธ์กลับมาแสดงในการสนทนาเมื่อประมวลผลเสร็จสิ้น ระหว่างที่โมเดลกำลังทำงาน GPT‑Live ก็ยังสามารถพูดคุยกับคุณต่อได้ พร้อมรักษาความต่อเนื่องของบทสนทนา ในช่วงเปิดตัว GPT‑Live จะใช้โมเดล GPT‑5.5 ประมวลผลอยู่เบื้องหลัง เราจะอัปเดตโมเดลที่ GPT‑Live ใช้งานอยู่ตลอดเวลาเมื่อเราเปิดตัวโมเดลระดับแนวหน้ารุ่นใหม่ๆ ออกมา
ความก้าวหน้าเหล่านี้เป็นพลังขับเคลื่อนประสบการณ์ใหม่ของ ChatGPT Voice ที่ทั้งชาญฉลาดยิ่งขึ้นและใช้งานได้อย่างเป็นธรรมชาติมากขึ้น เมื่อเวลาผ่านไป เราเชื่อว่างานวิจัยนี้จะเปิดทางให้สามารถใช้เสียงกับงานที่ซับซ้อนยิ่งขึ้น ใช้เวลาต่อเนื่องยาวนานขึ้น และอาศัยความสามารถแบบเอเจนต์มากขึ้นได้
เรากําลังเริ่มเปิดตัว GPT‑Live สองเวอร์ชัน ได้แก่ GPT‑Live‑1 และ GPT‑Live‑1 mini ให้กับผู้ใช้ ChatGPT ทั่วโลกในวันนี้ เรายังมีแผนนำความสามารถเหล่านี้มาเปิดให้ใช้งานผ่าน API ในเร็ว ๆ นี้ โดยนักพัฒนาและองค์กรสามารถลงทะเบียนเพื่อรับการแจ้งเตือนได้ผ่านแบบฟอร์มนี้
ก้าวสู่ยุคใหม่ของการโต้ตอบระหว่างมนุษย์กับ AI
วิสัยทัศน์ของเราคือการสร้างการโต้ตอบระหว่างมนุษย์กับ AI ที่เป็นธรรมชาติอย่างแท้จริง ให้การทำงานร่วมกับ AI ลื่นไหลและตอบสนองได้เหมือนทำงานกับคนจริง ขณะที่การให้เหตุผลและการจัดการงานที่ซับซ้อนดำเนินไปอย่างไร้รอยต่ออยู่เบื้องหลัง
แนวทางก่อนหน้า
ระบบ AI ด้านเสียงในยุคก่อน ๆ พาเราเข้าใกล้วิสัยทัศน์นั้นมากขึ้น แต่ก็มาพร้อมกับข้อแลกเปลี่ยนที่สำคัญ
ระบบเสียงแบบหลายลำดับขั้น
ระบบเสียงแบบหลายลำดับขั้นอาศัยโมเดลหลายตัวที่ทำงานต่อเนื่องกันทีละขั้น เพื่อประมวลผลการโต้ตอบในแต่ละรอบ ChatGPT Voice ดั้งเดิม เชื่อมโยงโมเดลสามแบบเข้าด้วยกัน: โมเดลการแปลงคําพูดเป็นข้อความเพื่อถอดเสียงคําพูดของคุณ แนวทางนี้ทำให้เราได้พูดคุยกับโมเดล AI ระดับแนวหน้าเป็นครั้งแรก แต่ความซับซ้อนของระบบก็มาพร้อมกับข้อแลกเปลี่ยนที่สำคัญ นั่นคือข้อมูลอาจสูญหายระหว่างการส่งต่อผ่านโมเดลแต่ละตัว และการตอบสนองก็ช้าและไม่ลื่นไหล
ระบบเสียงแบบหลายลำดับขั้น
การตอบกลับช้าและไม่ลื่นไหล มีช่วงหยุดนาน
โมเดลเสียงแบบผลัดกันสนทนา
โมเดลเสียงแบบผลัดกันสนทนา เช่น ChatGPT Advanced Voice Mode ประมวลผลและสร้างเสียงภายในโมเดลเดียว ช่วยลดความหน่วงและทำให้การสนทนาลื่นไหลยิ่งขึ้น แต่ก็ยังคงทำงานเป็นรอบของการสนทนาที่แยกจากกัน โมเดลต้องรอให้ผู้ใช้พูดจบก่อนจึงจะตอบได้ ทำให้การสนทนาโต้ตอบไปมาดูไม่เป็นธรรมชาติ นอกจากนี้เนื่องจากระบบตรวจจับการจบการพูดอาศัยช่วงความเงียบ แม้การหยุดพูดเพียงชั่วครู่หรือเสียงรบกวนจากสภาพแวดล้อม ก็อาจถูกตีความว่าเป็นการจบการพูด ทำให้โมเดลพูดแทรกในจังหวะที่ไม่เป็นธรรมชาติ
โมเดลเสียงแบบสลับกันโต้ตอบ
ตอบกลับได้เร็วและลื่นไหลขึ้นเล็กน้อย แต่การสนทนาโต้ตอบกับโมเดลยังไม่เป็นธรรมชาติเท่าที่ควร
แนวทางใหม่ของเรา
GPT‑Live จัดการกับข้อจํากัดเหล่านี้ผ่านการเปลี่ยนแปลงทางสถาปัตยกรรมสองประการ
ปฏิสัมพันธ์อย่างต่อเนื่อง
ประการแรก เราสร้าง GPT‑Live ให้รองรับการโต้ตอบอย่างต่อเนื่องด้วยสถาปัตยกรรมแบบ Full-Duplex แทนที่จะประมวลผลลําดับของข้อความที่แยกจากกัน GPT‑Live จะประมวลผลอินพุตอย่างต่อเนื่องในขณะที่สร้างเอาต์พุต โมเดลจึงสามารถตัดสินใจโต้ตอบได้หลายครั้งต่อวินาทีไม่ว่าจะเป็นการพูด ฟังต่อ หยุดชั่วคราว ขัดจังหวะ หรือเรียกใช้เครื่องมือ
สิ่งนี้ทำให้โมเดลสามารถสนทนาโต้ตอบได้อย่างเป็นธรรมชาติมากขึ้น รับรู้จังหวะเวลาของการสนทนาได้ดียิ่งขึ้น และแม้แต่แปลภาษาแบบเรียลไทม์ได้
ปฏิสัมพันธ์อย่างต่อเนื่อง
การตอบกลับที่รวดเร็ว เป็นธรรมชาติ สื่ออารมณ์ได้ดี และตั้งใจรับฟังมากยิ่งขึ้น
การมอบหมายงานที่ลึกซึ้งยิ่งขึ้น
ประการที่สอง เราแยก GPT‑Live ซึ่งทำหน้าที่จัดการการโต้ตอบอย่างต่อเนื่องออกจากการทำงานเชิงลึก เมื่อคำถามต้องการการค้นหา การใช้เหตุผล หรือความสามารถแบบเอเจนต์ที่ซับซ้อนขึ้น GPT‑Live จะส่งต่องานนั้นให้กับโมเดลอื่นอย่าง GPT‑5.5 เพื่อประมวลผลแทน ด้วยเหตุนี้ GPT‑Live จึงสามารถสนทนาต่อได้อย่างไม่สะดุด แม้จะกำลังจัดการหลายงานพร้อมกันอยู่เบื้องหลังก็ตาม
การเปลี่ยนแปลงด้านสถาปัตยกรรมนี้ยังช่วยให้ GPT‑Live ใช้โมเดลและเอเจนต์รุ่นล่าสุดได้อย่างต่อเนื่อง พร้อมผสานความสามารถอันล้ำสมัยของโมเดลระดับแนวหน้าเข้ากับการโต้ตอบที่เป็นธรรมชาติ
การมอบหมายงานที่ลึกซึ้งยิ่งขึ้น
GPT-Live ตอบกลับได้อย่างรวดเร็วและเป็นธรรมชาติ ในขณะที่ GPT-5.5 ทำหน้าที่ค้นหาข้อมูลอยู่เบื้องหลัง
การประเมินผล
เราได้สร้างเกณฑ์การประเมินโดยมนุษย์แบบใหม่ขึ้นมาเพื่อวัดความน่าพึงพอใจและความลื่นไหลของบทสนทนา ในการเปรียบเทียบแบบตัวต่อตัวนี้ ผู้ประเมินชื่นชอบ GPT‑Live‑1 และ GPT‑Live‑1 mini มากกว่าโหมดเสียงขั้นสูงอย่างชัดเจน จากการสนทนาความยาว 5 ถึง 10 นาที ซึ่งประเมินทั้งความชื่นชอบโดยรวม การผลัดกันพูด การขัดจังหวะ ความลื่นไหลของบทสนทนา และความเป็นธรรมชาติของการโต้ตอบแต่ละครั้ง
- GPQA: GPT‑Live‑1 มีประสิทธิภาพเหนือกว่าโหมดเสียงขั้นสูง อย่างชัดเจนในการทดสอบ GPQA ซึ่งวัดความสามารถด้านการใช้เหตุผลทางวิทยาศาสตร์ระดับผู้เชี่ยวชาญในสาขาชีววิทยา เคมี และฟิสิกส์
- BrowseComp: GPT‑Live‑1 แสดงให้เห็นถึงประสิทธิภาพที่พัฒนาขึ้นอย่างมากเมื่อเทียบกับโหมดเสียงขั้นสูงในการทดสอบ BrowseComp ซึ่งวัดความสามารถด้านการสืบค้นเว็บเชิงเอเจนต์และความสามารถในการค้นหาข้อมูลที่หาได้ยาก
- τ³-Voice Telecom**: GPT‑Live‑1 มีประสิทธิภาพเหนือกว่าโหมดเสียงขั้นสูงบน τ³-Voice Telecom ซึ่งทดสอบเอเจนต์เสียงในงานสนับสนุนโทรคมนาคมแบบหลายเทิร์นที่สมจริง
* GPT‑Live‑1 (instant) and GPT‑Live‑1 mini use the GPT‑5.5 Instant model in the background, while GPT‑Live‑1 Medium and GPT‑Live‑1 High use the GPT‑5.5 Thinking model with medium and high reasoning effort.
** We used a customized user model, powered by our latest reasoning models, for this eval.
ประสบการณ์การใช้งาน ChatGPT Voice รูปแบบใหม่
ในแต่ละสัปดาห์ผู้คนกว่า 150 ล้านคนพูดคุยกับ ChatGPT ผ่านฟีเจอร์ต่างๆ เช่น เสียงและการพิมพ์ด้วยเสียง ผู้คนใช้ฟีเจอร์เหล่านี้เพื่อรับความช่วยเหลือในชีวิตประจำวัน ฝึกภาษา เล่านิทานก่อนนอน หรือแค่พูดคุยระหว่างเดินทางแบบไม่ต้องใช้มือพิมพ์ข้อความ
ตั้งแต่วันนี้เป็นต้นไป เมื่อคุณแตะปุ่มเสียงเพื่อพูดคุยกับ ChatGPT คุณจะได้สัมผัสประสบการณ์ใหม่จาก GPT‑Live ที่มาพร้อมบทสนทนาที่เป็นธรรมชาติยิ่งกว่าเดิม คำตอบที่ชาญฉลาดขึ้น การรับฟังที่ดีขึ้น และการตอบกลับด้วยภาพ
การสนทนาที่เป็นธรรมชาติมากขึ้น
การพูดคุยกับ ChatGPT ตอนนี้จะให้ความรู้สึกเหมือนการสนทนากับคนจริงมากยิ่งขึ้น คุณสามารถขัดจังหวะด้วยคําถาม หยุดชั่วคราวเพื่อรวบรวมความคิดของคุณ หรือขอให้ ChatGPT พูดช้าลง ChatGPT จะตอบรับระหว่างที่คุณพูดด้วยคำอย่าง "อืม" หรือ "เข้าใจแล้ว" อย่างเป็นธรรมชาติ ทำให้คุณรู้ว่ามันกำลังรับฟังและตามสิ่งที่คุณพูดอยู่ นอกจากนี้ เรายังได้ปรับปรุงคุณภาพเสียงที่เป็นเอกลักษณ์ทั้ง 9 แบบใน ChatGPT ใหม่ เพื่อรองรับการทำงานของ GPT‑Live
คําตอบที่ชาญฉลาดยิ่งขึ้น
ตอนนี้ ChatGPT Voice สามารถดึงข้อมูลจากโมเดลระดับแนวหน้าล่าสุดของเรามาใช้งานได้แล้ว ทำให้คุณได้รับคำตอบที่ชาญฉลาดขึ้นในเวลาที่คุณต้องการ คุณยังสามารถเลือกระดับการให้เหตุผลที่เหมาะกับความต้องการได้ โดยเลือก Instant เมื่อต้องการคำตอบที่รวดเร็ว หรือเลือก Medium และ High เมื่อต้องการให้ ChatGPT ใช้เวลาคิดมากขึ้น
การฟังที่ดีขึ้น
หากคุณใช้เวลาคิดสักครู่ ChatGPT Voice จะรอแทนที่จะกระโดดเข้ามาขัดจังหวะ หากคุณบอกให้มันเงียบและรอฟัง มันก็จะทำตามนั้น และเมื่อมีเสียงรบกวนรอบตัว เช่น เสียงรถที่วิ่งผ่านหรือคนพูดคุยกันที่อยู่ใกล้ๆ ChatGPT ก็สามารถโฟกัสที่เสียงของคุณได้ดีขึ้น แทนที่จะถูกรบกวนจากเสียงรอบข้าง
คำตอบแบบภาพที่เข้าใจได้ในทันที
บางคำตอบเข้าใจได้ง่ายกว่าเมื่อแสดงให้เห็นเป็นภาพ ขณะที่คุณกำลังพูดคุย ตอนนี้ ChatGPT สามารถแสดงข้อมูลแบบภาพที่มีรายละเอียดสำหรับหัวข้อต่างๆ เช่น สภาพอากาศ หุ้น กีฬา และอีกมากมาย นอกจากนี้โหมดเสียงยังรองรับการค้นหา หน่วยความจํา รูปภาพ และการอัปโหลดไฟล์เช่นเดิมอีกด้วย
ทั้งหมดนี้ทำให้ ChatGPT Voice มอบประสบการณ์ที่เป็นธรรมชาติยิ่งขึ้น ฉลาดยิ่งขึ้น และตอบโจทย์การใช้งานในชีวิตประจำวันได้ดียิ่งขึ้น
ความปลอดภัยที่ออกแบบมาเพื่อโหมดเสียง
GPT‑Live ได้รับการออกแบบมาให้ปลอดภัยโดยค่าเริ่มต้น GPT‑Live ต่อยอดจากความก้าวหน้าด้านความปลอดภัยของโมเดลรุ่นล่าสุดของเรา พร้อมเพิ่มการเทรนด้านความปลอดภัยโดยเฉพาะในประเด็นความเสี่ยงสำคัญ และมาตรการป้องกันใหม่ที่ออกแบบมาเพื่อการใช้งานด้วยเสียงโดยเฉพาะ
การทดสอบด้านความปลอดภัยที่ครอบคลุมยิ่งขึ้น
เพื่อให้สะท้อนการใช้งานเสียงในชีวิตจริงได้ดียิ่งขึ้น เราจึงเริ่มจากการขยายขอบเขตการทดสอบความปลอดภัยให้ครอบคลุมถึงการประเมินผลผ่านระบบเสียงโดยตรง นอกจากนี้ เรายังสร้างการประเมินผลเชิงสังเคราะห์ที่ใช้เสียงสังเคราะห์เพื่อเจาะลึกด้านความปลอดภัยในหัวข้อสำคัญๆ มากยิ่งขึ้น โดยนำประสบการณ์ที่เราได้จากโหมดเสียงขั้นสูงมาปรับใช้ ประเด็นเหล่านั้นครอบคลุมถึงการทำร้ายตัวเอง อาการทางจิตและภาวะคลั่ง การพึ่งพา AI ทางอารมณ์ ความรุนแรง และเนื้อหาทางเพศ ผู้เชี่ยวชาญภายในของเรายังทำการทดสอบแบบ Red Team กับโมเดลเพื่อประเมินความเสี่ยงที่มีเฉพาะในการใช้งานด้วยเสียง
ในการทดสอบของเรา GPT‑Live ทํางานได้เทียบเท่าหรือดีกว่าโหมดเสียงขั้นสูงในเกือบทุกด้านที่เราประเมิน คุณสามารถอ่านเพิ่มเติมเกี่ยวกับการทดสอบและการป้องกันของเราได้ใน การ์ดระบบ(เปิดในหน้าต่างใหม่)ของ GPT‑Live
มาตรการป้องกันที่มีมาในตัว
เนื่องจากการสนทนาด้วยเสียงเกิดขึ้นแบบเรียลไทม์ เราจึงพัฒนามาตรการป้องกันที่สามารถทำงานได้ในขณะที่โมเดลกำลังพูดอยู่ เมื่อระบบตรวจพบผลลัพธ์ที่อาจไม่ปลอดภัย ระบบจะสามารถปรับทิศทางของโมเดลให้ตอบกลับอย่างปลอดภัยยิ่งขึ้น แสดงข้อความหรือแหล่งข้อมูลด้านความปลอดภัยเพิ่มเติม หรือยุติการสนทนาด้วยเสียงในกรณีที่มีความเสี่ยงสูง สำหรับการสนทนาที่เกี่ยวข้องกับการทำร้ายตัวเอง เราได้ปรับปรุงขั้นตอนการสนับสนุนของ ChatGPT ให้รองรับรูปแบบเสียง โดยรวมถึงการเสนอช่องทางติดต่อสายด่วนเพื่อขอความช่วยเหลือซึ่งผ่านการรับรองจากผู้เชี่ยวชาญแล้ว
เราออกแบบการป้องกันเพิ่มเติมเพื่อสนับสนุนผู้ใช้ที่เป็นวัยรุ่น และฝึกพฤติกรรมที่เหมาะสมกับวัยโดยตรงในโมเดลเพื่อลดความเสี่ยงของการตอบสนองที่ไม่เหมาะสม ผู้ปกครองสามารถเลือกได้ว่าบุตรหลานวัยรุ่นสามารถใช้ ChatGPT Voice ผ่านการควบคุมโดยผู้ปกครองได้หรือไม่ และผู้ปกครองที่เชื่อมโยงอาจได้รับแจ้งในสถานการณ์ที่มีความเสี่ยงสูงซึ่งเกี่ยวข้องกับสัญญาณของการทําร้ายตนเองหรือเจตนาฆ่าตัวตายที่อาจเกิดขึ้น
เรียนรู้จากการใช้งานจริง
นอกจากนี้ เรายังเปิดตัวการวัดผลระยะยาวและการตรวจสอบหลังการเปิดตัวที่มุ่งเน้นไปที่การพึ่งพาทางอารมณ์เพื่อปรับปรุงความเข้าใจและปรับแต่งมาตรการป้องกันของเราต่อไป การวิจัยก่อนหน้านี้ของเราเกี่ยวกับการใช้อารมณ์และความเป็นอยู่ที่ดีทางอารมณ์ จะช่วยให้เราระบุรูปแบบที่เกิดขึ้นใหม่และปรับปรุงวิธีที่ระบบตอบสนองในการโต้ตอบที่อ่อนไหวทางอารมณ์
สุดท้ายนี้ GPT‑Live ได้รับการออกแบบมาเพื่อการสนทนา ไม่ใช่สำหรับการเลียนแบบเสียง GPT‑Live ใช้ชุดเสียงที่กำหนดไว้ล่วงหน้าใน ChatGPT พร้อมมาตรการป้องกันเพื่อไม่ให้เลียนแบบเสียงของบุคคลจริง
เรามุ่งมั่นที่จะสนับสนุนความปลอดภัยและความเป็นอยู่ที่ดี และจะเสริมสร้างความแข็งแกร่งให้กับการป้องกันเหล่านี้ต่อไปในขณะที่เราเรียนรู้จากการใช้งานจริง
ความพร้อมใช้งานและข้อจํากัด
ขณะนี้ GPT‑Live เริ่มเปิดให้ผู้ใช้งาน ChatGPT ทั่วโลกได้ใช้งานแล้ว ทั้งบน iOS Android และ ChatGPT.com(เปิดในหน้าต่างใหม่) GPT‑Live‑1 จะกลายเป็นโมเดลหลักสำหรับขับเคลื่อน ChatGPT Voice ให้แก่ผู้ใช้งานแพ็กเกจ Go, Plus และ Pro ส่วน GPT‑Live‑1 mini จะเป็นโมเดลหลักสำหรับผู้ใช้งานแพ็กเกจ Free ดูรายละเอียดความพร้อมใช้งานเพิ่มเติมได้ในศูนย์ช่วยเหลือ(เปิดในหน้าต่างใหม่)ของเรา
เราได้ปรับแต่ง GPT‑Live ให้รองรับภาษาที่ได้รับความนิยมมากที่สุดบางภาษาใน ChatGPT ได้ดียิ่งขึ้น สำหรับบางภาษา โมเดลอาจมีสำเนียงที่ไม่เหมือนเจ้าของภาษา หรือยังพูดได้ไม่คล่องในบางส่วน เรากำลังพัฒนาอย่างต่อเนื่องเพื่อยกระดับประสบการณ์การใช้งานในทุกภาษา
ในช่วงเปิดตัว GPT‑Live จะยังไม่รองรับการสนทนาด้วยเสียงควบคู่กับวิดีโอหรือการแชร์หน้าจอใน ChatGPT แต่เรากำลังเร่งพัฒนาเพื่อเพิ่มความสามารถเหล่านี้ในเร็วๆ นี้ คุณยังคงสามารถเข้าถึง ChatGPT Voice เวอร์ชันเก่าได้ รวมถึงโหมดเสียงมาตรฐานและขั้นสูง ซึ่งมีคุณสมบัติเหล่านี้พร้อมใช้งาน
