OpenAI представила новые голосовые модели для естественных живых диалогов

Компания OpenAI анонсировала новые голосовые модели GPT-Live-1 и GPT-Live-1 mini, которые, по заявлению разработчиков, звучат более естественно и лучше справляются с управлением очередностью реплик в диалоге. Эти модели работают в режиме полного дуплекса, что позволяет им одновременно говорить и слушать, обеспечивая возможность естественного прерывания собеседника и поддержку функций, таких как живой перевод.

В ChatGPT планируется заменить текущий Advanced Voice Mode на GPT-Live-1 mini по умолчанию, тогда как пользователи платных тарифов смогут использовать более крупную модель GPT-Live-1. Ранее система объединяла модель распознавания речи, большую языковую модель для генерации ответов и модель синтеза речи для озвучивания результатов.

На пресс-брифинге представители OpenAI отметили, что новые модели решают проблемы с прерыванием пользователя во время речи и недостаточной интеллектуальной обработкой запросов. Модели отправляют запросы в последние текстовые модели, включая GPT-5.5, для поиска, рассуждений и агентных функций, продолжая при этом диалог.

Кроме того, новая голосовая модель способна долго сохранять молчание, поглощая контекст разговора до момента, когда её вызовут. Благодаря доступу к более современным GPT-моделям, она может также представлять информацию в визуальном формате. Аналогичный подход к визуальным ответам используют стартапы, например Monogram, который привлек $40 млн посевных инвестиций от DST и Lux Capital, чтобы сделать голосовых ассистентов более интерактивными.

OpenAI подчеркнула, что новая голосовая функция в ChatGPT рассчитана на продолжительные беседы. Руководитель продукта ChatGPT Voice Атти Элети рассказал, что во время прогулок вел разговоры с голосовым помощником продолжительностью 30–40 минут.

Компания видит в голосовом интерфейсе перспективу для сложных видов работы и предполагает, что голос может стать основным способом взаимодействия с вычислительными системами. Сообщается, что в этом году OpenAI может выпустить пару наушников с ИИ-функциями, однако подробностей о железе не предоставлено.

«Со временем мы считаем, что голос станет основным интерфейсом для управления все более сложной и длительной агентной работой. Те удивительные сценарии, которые люди реализуют с помощью Codex и ChatGPT, мы полагаем, голос сможет обеспечить для всех видов работы», — заявил Элети.

В последние годы OpenAI активно развивает голосовые возможности, чтобы сделать режим голосового общения в ChatGPT более естественным. По данным компании, более 150 миллионов пользователей общаются с ChatGPT с помощью функций голосового ввода и диктовки.

Конкуренты также стремятся улучшить выразительность голосовых ассистентов. Apple и Amazon обновили своих помощников, чтобы сделать их более разговорчивыми и лучше учитывающими контекст. Стартап Sesame, основанный соучредителем Oculus Бренданом Айрибе и Анкитом Кумаром, запустил ИИ-ассистентов с более естественным диалогом и выполнением задач в фоновом режиме.

OpenAI движется в том же направлении, стремясь позволить пользователям вести длительные разговоры с ассистентом без использования рук. Несмотря на заявления о естественности новых моделей, компания подчеркнула, что не ставит целью создать ИИ-компаньона. В новых моделях встроены механизмы защиты, которые обеспечивают возрастно-адекватные ответы для подростков и предоставляют ресурсы при обсуждении тем, связанных с самоповреждением.

Тем не менее, новая голосовая функция требует доработки. Во время демонстрации функции живого перевода на хинди ассистент говорил с сильным американским акцентом, а звучание хинди было неестественным и несколько книжным. OpenAI заявила, что новая модель оптимизирована для «большинства распространённых языков», но не уточнила, какие именно языки поддерживаются.