ہم GPT‑Live لانچ کر رہے ہیں, وائس ماڈلز کی ایک نئی جنریشن جو AI سے بات کرنے کو حقیقی گفتگو جیسا زیادہ فطری بناتی ہے.
GPT‑Live فل ڈوپلیکس آرکیٹیکچر پر بنایا گیا ہے, یعنی یہ ایک ہی وقت میں سن اور بول سکتا ہے. گفتگو کے دوران, GPT‑Live ”ہممم“ یا ”ہاں“ جیسے جملوں سے دکھا سکتا ہے کہ وہ توجہ دے رہا ہے, تیزی سے بات چیت کر سکتا ہے, یا جب آپ کو سوچنے کے لیے ایک لمحہ چاہیے ہو تو خاموش رہ سکتا ہے. نتیجتاً, یہ ایک ایسا وائس تجربہ فراہم کرتا ہے جس سے بات کرنا غیر معمولی طور پر آسان اور فطری محسوس ہوتا ہے.
GPT‑Live ہمارا اب تک کا سب سے ذہین وائس ماڈل بھی ہے. ایسے سوالات کے لیے جن میں ویب سرچ, گہری ریزننگ, یا زیادہ پیچیدہ کام کی ضرورت ہو, یہ پس منظر میں ہمارے تازہ ترین جدید ترین ماڈل کو کام سونپتا ہے اور نتیجہ تیار ہونے پر اسے گفتگو میں واپس لے آتا ہے. کام کے دوران, GPT‑Live آپ سے بات جاری رکھ سکتا ہے اور گفتگو کا فلو برقرار رکھ سکتا ہے. لانچ کے وقت, GPT‑Live بیک گراؤنڈ میں GPT‑5.5 استعمال کرے گا. جیسے جیسے ہم نئے جدید ترین ماڈلز جاری کریں گے, ہم GPT‑Live کے استعمال کردہ ماڈل کو مسلسل اپ ڈیٹ کرتے رہیں گے.
یہ پیش رفتیں ChatGPT Voice کے ایک نئے تجربے کو ممکن بناتی ہیں, جو زیادہ ذہین اور استعمال میں زیادہ فطری ہے. وقت کے ساتھ، ہمیں یقین ہے کہ یہی تحقیق آواز کے ذریعے بتدریج زیادہ پیچیدہ, طویل دورانیے کے, اور زیادہ ایجنٹک کام انجام دینے کی صلاحیت بھی فراہم کرے گی.
ہم آج سے عالمی سطح پر ChatGPT صارفین کے لیے GPT‑Live کے دو ورژنز, GPT‑Live‑1 اور GPT‑Live‑1 mini, رول آؤٹ کرنا شروع کر رہے ہیں. ہم انہیں جلد ہی API میں لانے کا بھی ارادہ رکھتے ہیں, اور ڈیولپرز اور انٹرپرائزز اس فارم کے ذریعے اطلاع پانے کے لیے سائن اپ کر سکتے ہیں.
انسان-AI انٹریکشن کے ایک نئے دور میں داخلہ
ہمارا وژن واقعی فطری انسان–AI انٹریکشن کو ممکن بنانا ہے: ایک ایسی دنیا جہاں AI کے ساتھ تعاون کسی دوسرے شخص کے ساتھ کام کرنے جتنا رواں اور جوابدہ محسوس ہو, جبکہ ریزننگ اور پیچیدہ ٹاسک کی انجام دہی پس منظر میں بغیر رکاوٹ ہوتی رہے.
سابقہ طریقے
وائس AI سسٹمز کی پرانی جنریشنز نے ہمیں اس تصور کے قریب تو پہنچا دیا, مگر اس کے ساتھ ہمیں کچھ اہم سمجھوتے بھی کرنے پڑے.
کیسکیڈڈ وائس سسٹمز
کیسکیڈڈ وائس سسٹمز ہر ٹرن کو پروسیس کرنے کے لیے ایک کے بعد ایک کام کرنے والے ماڈلز کی ایک سیریز پر انحصار کرتے ہیں. اصل ChatGPT وائس نے تین ماڈلز کو ایک ساتھ جوڑا: آپ کی اسپیچ کو تحریر میں بدلنے کے لیے اسپیچ-ٹو-ٹیکسٹ ماڈل, جواب بنانے کے لیے ایک لارج لینگویج ماڈل, اور اسے دوبارہ اسپیچ میں بدلنے کے لیے ٹیکسٹ-ٹو-اسپیچ ماڈل. اس طریقے نے پہلی بار ہمیں جدید ترین AI ماڈلز سے بات کرنے کے قابل بنایا, لیکن پیچیدگی کی قیمت چکانی پڑی: ماڈلز کے درمیان معلومات ضائع ہو سکتی تھیں, اور جوابات سست اور بے روانی کے شکار تھے.
Cascaded voice system
Slow and stilted responses, long pauses
ٹرن-بیسڈ وائس ماڈلز
ChatGPT ایڈوانسڈ وائس موڈ جیسے ٹرن-بیسڈ وائس ماڈلز ایک ہی ماڈل کے اندر آڈیو کو پروسیس اور جنریٹ کرتے تھے, جس سے تاخیر کم ہوئی اور گفتگو زیادہ ہموار ہوئی — لیکن وہ پھر بھی الگ الگ ٹرنز کے ذریعے کام کرتے تھے. ماڈل کو جواب دینے سے پہلے صارف کے بولنا بند کرنے کا انتظار کرنا پڑتا تھا, جس کے نتیجے میں بات چیت سخت باریوں میں بدل جاتی تھی. اس کے علاوہ, چونکہ ٹرن کا پتہ لگانا خاموشی پر مبنی ہے, اس لیے مختصر وقفہ یا بیک گراؤنڈ کا شور بھی ٹرن کے اختتام کے طور پر غلط سمجھا جا سکتا تھا — جس سے ماڈل غیر فطری اوقات پر مداخلت کر بیٹھتا تھا.
Turn-based voice model
Slightly faster and smoother responses, but back-and-forth with the model still feels rigid
ہمارا نیا طریقہ
GPT‑Live دو آرکیٹیکچرل تبدیلیوں کے ذریعے ان حدود کو حل کرتا ہے.
مسلسل انٹریکشن
پہلا, ہم نے GPT‑Live کو فل ڈوپلیکس آرکیٹیکچر استعمال کرتے ہوئے مسلسل انٹریکشن کے لیے بنایا. الگ الگ میسجز کی ترتیب کو پروسیس کرنے کے بجائے, GPT‑Live آؤٹ پٹ جنریٹ کرتے ہوئے مسلسل اِن پٹ پروسیس کرتا ہے. اس لیے ماڈل ہر سیکنڈ کئی بار انٹریکشن کے فیصلے کر سکتا ہے: بولنا ہے, سنتے رہنا ہے, رکنا ہے, مداخلت کرنی ہے, یا کوئی ٹول چلانا ہے.
یہ ماڈل کو زیادہ فطری دو طرفہ گفتگو کرنے, وقت کا بہتر احساس برقرار رکھنے, اور حتیٰ کہ لائیو ترجمہ کرنے کی اجازت دیتا ہے.
Continuous interaction
Fast, natural, expressive responses and more active listening
زیادہ گہرے کام کے لیے تفویض
دوسرا, ہم نے GPT‑Live کو — جو مسلسل انٹریکشن کو ہینڈل کرتا ہے — گہرے کام سے الگ کر دیا. جب کسی سوال کے لیے سرچ, ریزننگ, یا زیادہ ایجنٹک صلاحیتوں کی ضرورت ہو, تو GPT‑Live ٹاسک کو GPT‑5.5 جیسے کسی دوسرے ماڈل کو سونپ سکتا ہے. یہ اسے گفتگو جاری رکھنے دیتا ہے, چاہے وہ بیک گراؤنڈ میں متعدد ٹاسکس ہینڈل کر رہا ہو.
یہ آرکیٹیکچرل تبدیلی GPT‑Live کو تازہ ترین ماڈلز اور ایجنٹس کو مسلسل استعمال کرنے کی بھی اجازت دیتی ہے, جس سے جدید ترین ذہانت فطری تعامل کے ساتھ ملتی ہے.
Delegation for deeper work
GPT-Live provides fast, natural responses, while GPT-5.5 handles search in the background
ایویلیوایشنز
ہم نے خوشگواری اور گفتگو کے فلو کو ناپنے کے لیے نئے انسانی ایویلیوایشنز بنائے. ان آمنے سامنے موازنوں میں, GPT‑Live‑1 اور GPT‑Live‑1 mini کو 5–10 منٹ کی مماثل گفتگو میں ایڈوانسڈ وائس موڈ پر واضح طور پر ترجیح دی گئی, جہاں مجموعی ترجیح, باری لینا, مداخلتیں, گفتگو کا فلو, اور ہر انٹریکشن کتنا فطری محسوس ہوا, کی پیمائش کی گئی.
- GPQA: GPT‑Live‑1, GPQA پر ایڈوانسڈ وائس موڈ سے نمایاں طور پر بہتر کارکردگی دکھاتا ہے, جو بایولوجی, کیمسٹری, اور فزکس میں ماہر سطح کی سائنسی ریزننگ کو ٹیسٹ کرتا ہے.
- BrowseComp: GPT‑Live‑1, BrowseComp پر ایڈوانسڈ وائس موڈ کے مقابلے میں مضبوط بہتری دکھاتا ہے, جو ایجنٹک ویب سرچ اور مشکل سے ملنے والی معلومات تلاش کرنے کی صلاحیت کو ٹیسٹ کرتا ہے.
- τ³-Voice Telecom**: GPT‑Live‑1, τ³-Voice Telecom پر ایڈوانسڈ وائس موڈ سے بہتر کارکردگی دکھاتا ہے, جو حقیقت پسندانہ, ملٹی ٹرن ٹیلی کام سپورٹ ٹاسکس پر وائس ایجنٹس کو ٹیسٹ کرتا ہے.
* 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.
ChatGPT Voice کا ایک نیا تجربہ
ہر ہفتے 150 ملین سے زیادہ لوگ وائس اور ڈکٹیشن جیسی فیچرز کے ذریعے ChatGPT سے بات کرتے ہیں. وہ اسے روزمرہ کی ہینڈز فری مدد پانے, زبانوں کی مشق کرنے, سونے سے پہلے کہانیاں سنانے, یا سفر کے دوران بس گفتگو کرنے کے لیے استعمال کرتے ہیں.
آج سے, جب آپ ChatGPT سے بات کرنے کے لیے وائس بٹن پر ٹیپ کریں گے, تو آپ کو GPT‑Live سے تقویت یافتہ ایک بہتر تجربہ ملے گا, جس میں زیادہ فطری گفتگو, زیادہ ذہین جوابات, بہتر سننے کی صلاحیت, اور بصری جوابات شامل ہیں.
زیادہ فطری گفتگوئیں
ChatGPT سے بات کرنا اب بہت زیادہ حقیقی گفتگو جیسا محسوس ہونا چاہیے. آپ سوال کے ساتھ درمیان میں بول سکتے ہیں, اپنے خیالات جمع کرنے کے لیے رک سکتے ہیں, یا ChatGPT سے آہستہ بولنے کو کہہ سکتے ہیں. یہ آپ کی بات کو فطری طور پر ”ہممم“ یا ”سمجھ گیا“ جیسے جملوں سے تسلیم کرتا ہے, تاکہ آپ کو معلوم ہو کہ یہ آپ کے ساتھ ساتھ چل رہا ہے. ہم نے GPT‑Live کے لیے ChatGPT میں موجود نو الگ الگ آوازوں کو بھی ری ماسٹر کیا ہے.
زیادہ ذہین جوابات
ChatGPT Voice اب ہمارے تازہ ترین جدید ترین ماڈلز سے فائدہ اٹھا سکتا ہے, تاکہ ضرورت پڑنے پر آپ کو زیادہ ذہین جوابات ملیں. آپ اپنی ضرورت کے مطابق ریزننگ کی سطح بھی چن سکتے ہیں: تیز جوابات کے لیے Instant, یا جب آپ چاہتے ہیں کہ ChatGPT سوچنے میں زیادہ وقت لگائے تو Medium اور High.
بہتر سننا
اگر آپ سوچنے کے لیے ذرا وقت لیتے ہیں, تو ChatGPT وائس اب بیچ میں کود کر مداخلت کرنے کے بجائے انتظار کرتا ہے. اگر آپ اسے خاموش رہ کر سننے کو کہیں گے, تو یہ ایسا ہی کرے گا. اور جب پس منظر میں شور ہو, جیسے گزرتی ٹریفک یا قریب کی گفتگو, تو ChatGPT بھٹکنے کے بجائے آپ کی آواز پر توجہ دینے میں بہتر ہے.
ایک نظر میں بصری جوابات
کچھ جوابات اس وقت زیادہ مفید ہوتے ہیں جب آپ انہیں دیکھ سکیں. بات کرتے ہوئے, ChatGPT اب موسم, اسٹاکس, کھیل اور مزید موضوعات کے لیے بھرپور بصری کارڈز دکھا سکتا ہے. وائس سرچ, میموری, تصاویر, اور فائل اپ لوڈز کو بھی سپورٹ کرتا رہتا ہے.
نتیجہ ChatGPT وائس کا ایسا تجربہ ہے جو روزمرہ زندگی میں زیادہ فطری, زیادہ قابل, اور زیادہ مفید محسوس ہوتا ہے.
وائس کے لیے بنائی گئی سیفٹی
GPT‑Live کو بطور ڈیفالٹ محفوظ رہنے کے لیے ڈیزائن کیا گیا تھا. یہ ہمارے تازہ ترین ماڈلز کی سیفٹی پیش رفتوں پر مبنی ہے, ساتھ ہی اہم خطرے والے شعبوں میں مخصوص سیفٹی ٹریننگ اور خاص طور پر وائس کے لیے بنائے گئے نئے حفاظتی اقدامات شامل کرتا ہے.
وسیع تر سیفٹی ٹیسٹنگ
یہ بہتر سمجھنے کے لیے کہ لوگ حقیقی زندگی کے ماحول میں وائس کو کیسے استعمال کرتے ہیں, ہم نے اپنی سیفٹی ٹیسٹنگ کو نئے آڈیو-نیٹو ایویلیوایشنز شامل کرکے وسیع کرنا شروع کیا. ہم نے ایڈوانسڈ وائس موڈ سے حاصل سیکھ کی بنیاد پر جنریٹڈ آڈیو استعمال کرنے والے سنتھیٹک ایویلیوایشنز بھی بنائے, تاکہ اہم سیفٹی شعبوں پر زیادہ گہرائی سے توجہ دی جا سکے. ان شعبوں میں خود کو نقصان پہنچانا, سائیکوسس اور مینیا, AI پر جذباتی انحصار, تشدد, اور جنسی مواد شامل ہیں. داخلی ماہرین نے وائس کے لیے منفرد خطرات کے سلسلے میں ماڈل کی ریڈ ٹیم ٹیسٹنگ بھی کی.
ہماری ٹیسٹنگ میں, GPT‑Live نے ہمارے جانچے گئے تقریباً تمام شعبوں میں ایڈوانسڈ وائس موڈ کے برابر یا اس سے بہتر کارکردگی دکھائی. آپ ہماری ٹیسٹنگ اور حفاظتی اقدامات کے بارے میں مزید GPT‑Live کے سسٹم کارڈ(نئی ونڈو میں کھلتا ہے) میں پڑھ سکتے ہیں.
بلٹ اِن حفاظتی اقدامات
چونکہ وائس کنورسیشنز حقیقی وقت میں آگے بڑھتی ہیں, اس لیے ہم نے ایسے حفاظتی اقدامات بھی بنائے ہیں جو ماڈل کے بولتے وقت عمل کر سکتے ہیں. جب سسٹم ممکنہ طور پر غیر محفوظ آؤٹ پٹ کا پتہ لگاتا ہے, تو یہ ماڈل کو زیادہ محفوظ جواب کی طرف موڑ سکتا ہے, اضافی سیفٹی میسجنگ یا ریسورسز دکھا سکتا ہے, یا زیادہ خطرے والے معاملات میں وائس کنورسیشن ختم کر سکتا ہے. خود کو نقصان پہنچانے سے متعلق گفتگو کے لیے, ہم نے ChatGPT کے سپورٹ فلوز کو وائس کے لیے ڈھالا, جس میں ماہرین سے جانچی گئی کرائسس ہیلپ لائن سپورٹ کی پیشکش بھی شامل ہے.
ہم نے ٹین یوزرس کی مدد کے لیے اضافی تحفظات ڈیزائن کیے ہیں, اور نامناسب جوابات کے خطرے کو کم کرنے کے لیے عمر کے لحاظ سے براہ راست ماڈل میں مناسب رویے کی ٹریننگ دی. والدین پیرنٹل کنٹرولز کے ذریعے یہ انتخاب کر سکتے ہیں کہ ان کا ٹین ChatGPT Voice استعمال کر سکتا ہے یا نہیں, اور ممکنہ خود کو نقصان پہنچانے یا خودکشی کے ارادے کی علامات والی زیادہ خطرے کی صورتوں میں لنک شدہ والدین کو مطلع کیا جا سکتا ہے.
حقیقی دنیا کے استعمال سے سیکھنا
ہم جذباتی انحصار پر مرکوز طویل مدتی پیمائش اور لانچ کے بعد مانیٹرنگ بھی شروع کر رہے ہیں, تاکہ اپنی سمجھ کو مسلسل بہتر بنا سکیں اور حفاظتی اقدامات کو نکھار سکیں. جذباتی استعمال اور جذباتی فلاح و بہبود پر ہماری پچھلی تحقیق کی بنیاد پر, یہ ہمیں ابھرتے ہوئے پیٹرنز کی شناخت کرنے اور جذباتی طور پر حساس تعاملات میں سسٹم کے جواب کو بہتر بنانے میں مدد دے گا.
آخر میں, GPT‑Live کو گفتگو کے لیے ڈیزائن کیا گیا ہے, آواز کی نقالی کے لیے نہیں. یہ ChatGPT میں پہلے سے طے شدہ آوازوں کا ایک سیٹ استعمال کرتا ہے, اور اس میں ایسے حفاظتی اقدامات ہیں جو اسے کسی حقیقی شخص کی آواز کی نقالی کرنے سے روکتے ہیں.
ہم سیفٹی اور فلاح و بہبود کی حمایت کے لیے پرعزم ہیں اور حقیقی دنیا کے استعمال سے سیکھتے ہوئے ان تحفظات کو مزید مضبوط کرتے رہیں گے.
دستیابی اور حدود
GPT‑Live اب iOS, Android اور ChatGPT.com(نئی ونڈو میں کھلتا ہے) پر عالمی سطح پر ChatGPT صارفین کے لیے رول آؤٹ ہو رہا ہے. GPT‑Live‑1, Go, Plus اور Pro صارفین کے لیے ChatGPT Voice کو تقویت دینے والا ڈیفالٹ ماڈل بن جائے گا, اور GPT‑Live‑1 mini فری صارفین کے لیے ڈیفالٹ بن جائے گا. دستیابی کی مزید تفصیلات ہمارے ہیلپ سینٹر(نئی ونڈو میں کھلتا ہے) میں مل سکتی ہیں.
ہم نے GPT‑Live کو ChatGPT کی کچھ مقبول ترین زبانوں کے لیے بہتر بنایا ہے. کچھ زبانوں کے لیے, ماڈل کا لہجہ غیر مقامی ہو سکتا ہے یا روانی میں کمی ہو سکتی ہے. ہم زبانوں میں تجربے کو بہتر بنانے کے لیے سرگرمی سے کام کر رہے ہیں.
لانچ کے وقت, ChatGPT میں ویڈیو یا اسکرین شیئرنگ کے ساتھ GPT‑Live وائس کو سپورٹ نہیں کرے گا, لیکن ہم جلد ہی یہ صلاحیتیں متعارف کرانے پر کام کر رہے ہیں. آپ اب بھی ChatGPT Voice کے پرانے ورژنز, بشمول Standard اور ایڈوانسڈ وائس موڈ تک رسائی حاصل کر سکتے ہیں جہاں یہ فیچرز دستیاب ہیں.
