ChatGPT sada razgovara poput čovjeka: OpenAI predstavio izvrsne nove glasovne modele

Tvrtka OpenAI objavila je novu generaciju svojih konverzacijskih modela, nazvanih GPT-Live-1 i GPT-Live-1 mini, koji obećavaju znatno prirodniju i fluidniju glasovnu interakciju. Glavna inovacija je tehnologija koja omogućuje umjetnoj inteligenciji da istovremeno sluša i govori, čime se uklanjaju neprirodne stanke i omogućuje korisnicima da vode razgovore slične onima s ljudima. Ovi modeli zamjenjuju dosadašnji "Advanced Voice Mode" u aplikaciji ChatGPT.

Tehnologija koja sluša i govori istovremeno

Ključna inovacija novih modela je takozvana "full-duplex" arhitektura, što u praksi znači da model može kontinuirano obrađivati zvuk koji dolazi od korisnika čak i dok sam generira govorni odgovor. To omogućuje prirodnu dinamiku razgovora gdje korisnik može u bilo kojem trenutku prekinuti umjetnu inteligenciju, postaviti potpitanje ili promijeniti temu, baš kao u razgovoru s drugom osobom. Sustav je sada sposoban prepoznavati i suptilne znakove poput pauza za razmišljanje te ubacivati razgovorne potvrde poput "aha" ili "razumijem", čineći interakciju manje robotskom.

Ovo je značajan korak naprijed u odnosu na prethodnu verziju, koja se oslanjala na sporiji, kaskadni sustav. Taj je sustav prvo koristio jedan model za pretvaranje govora u tekst, zatim drugi, veliki jezični model za generiranje odgovora, i na kraju treći model za pretvaranje teksta natrag u govor. Novi pristup je znatno brži i eliminira kašnjenje koje je ometalo tečnost komunikacije. Manji model, GPT-Live-1 mini, bit će dostupan svim korisnicima ChatGPT-a, dok će napredniji GPT-Live-1 biti rezerviran za pretplatnike.

Rješavanje starih problema i nove mogućnosti

U OpenAI-ju tvrde da novi modeli rješavaju neke od najvećih frustracija korisnika, poput sklonosti starog sustava da prekida govornika usred rečenice ili nedostatka inteligencije za složenije upite. Sada, dok glasovni model održava fluidnost razgovora, složeniji zadaci koji zahtijevaju dublje rezoniranje ili pretraživanje interneta prosljeđuju se u pozadini najnovijim tekstualnim modelima, poput GPT-5.5. Odgovor se zatim neprimjetno integrira u razgovor bez prekida.

Model također može dugo ostati u tišini i upijati kontekst razgovora dok se od njega ne zatraži da se uključi. Osim toga, s obzirom na to da ima pristup novijim GPT modelima, može prezentirati informacije i u vizualnom formatu. Voditelj proizvoda za ChatGPT Voice, Atty Eleti, izjavio je kako je s novom značajkom vodio razgovore duge i do 30 ili 40 minuta tijekom šetnji, što svjedoči o njezinoj izdržljivosti i prirodnosti.

Glas kao primarno sučelje budućnosti

OpenAI vjeruje da bi glas mogao postati primarni način na koji komuniciramo s računalima, pogotovo za obavljanje složenih i dugotrajnih zadataka. Pojavile su se i glasine da bi tvrtka ove godine mogla lansirati pametne slušalice s ugrađenim AI mogućnostima, no iz OpenAI-ja nisu dali nikakve informacije o hardverskim proizvodima.

​- S vremenom vjerujemo da će ovo otključati mogućnost korištenja glasa kao svojevrsnog primarnog sučelja za računalstvo i za upravljanje sve složenijim, dugotrajnim agentskim radom. Nevjerojatne primjene koje vidimo kod korisnika Codeca i ChatGPT-a, mislimo da se mogu preslikati na glas kao buduće sučelje za sve vrste poslova - rekao je Eleti.

KRAJ LAŽNIM OBJAVAMA? Metin novi alat Content Seal prepoznaje slike stvorene s AI

ZATAŠKIVANJE SUKOBA? OpenAI navodno nudi američkoj vladi pet posto udjela u tvrtki

Konkurencija i preostali izazovi

OpenAI nije jedini tehnološki div koji ulaže u napredne glasovne asistente. Apple i Amazon također su ažurirali svoje asistente kako bi bili konverzacijski vještiji i bolje baratali kontekstom. Uz njih, tu je i niz startupa, poput tvrtke Sesame, koji razvijaju AI asistente s prirodnijim glasovima.

Unatoč impresivnom napretku, nova tehnologija još uvijek nije savršena. Tijekom demonstracije prijevoda uživo na hindski jezik, asistent je imao primjetan američki naglasak, a izgovor je zvučao neprirodno i pomalo knjiški. Iz tvrtke su naveli da je novi način rada optimiziran za "većinu govornih jezika", ali nisu precizirali o kojima se radi. Također, naglašavaju da im cilj nije stvoriti "AI prijatelja", već moćan alat. Ugrađene su i sigurnosne mjere kako bi se osigurali dobno prikladni odgovori za tinejdžere te pružiliresursi za pomoć ako razgovor skrene na osjetljive teme poput samoozljeđivanja.