ChatGPT Voice: Τι αλλάζει με τα νέα φωνητικά μοντέλα της OpenAI

Σε μια σημαντική αναβάθμιση της φωνητικής λειτουργίας του ChatGPT προχωρά η OpenAI, παρουσιάζοντας τα νέα μοντέλα GPT-Live-1 και GPT-Live-1 mini. Στόχος είναι οι συνομιλίες με την τεχνητή νοημοσύνη να γίνουν πιο φυσικές,
«ανθρώπινες» και γρήγορες και λιγότερο «ρομποτικές».

Η βασική διαφορά σε σχέση με τις προηγούμενες φωνητικές λειτουργίες είναι ότι τα νέα μοντέλα μπορούν να ακούν και να μιλούν ταυτόχρονα. Αυτό σημαίνει ότι ο χρήστης μπορεί να διακόπτει, να κάνει παύσεις, να σκέφτεται ή να συνεχίζει την πρότασή του χωρίς το σύστημα να θεωρεί απαραίτητα ότι η ερώτηση τελείωσε.

Τι είναι το GPT-Live

Το GPT-Live αποτελεί τη νέα γενιά φωνητικών μοντέλων της OpenAI για το ChatGPT, το οποίο έχει σχεδιαστεί ώστε η συνομιλία με την τεχνητή νοημοσύνη να θυμίζει περισσότερο πραγματική ανθρώπινη επικοινωνία.

Μέχρι σήμερα, πολλά φωνητικά συστήματα λειτουργούσαν με πιο «κοφτό» τρόπο: ο χρήστης μιλούσε, το σύστημα περίμενε να τελειώσει, μετέτρεπε την ομιλία σε κείμενο, επεξεργαζόταν την απάντηση και στη συνέχεια την έδινε πάλι σε φωνητική μορφή. Αυτό συχνά δημιουργούσε καθυστερήσεις, άβολες παύσεις ή διακοπές σε λάθος σημείο.

Με το GPT-Live, η OpenAI θέλει να μειώσει αυτά τα προβλήματα, δίνοντας στο ChatGPT τη δυνατότητα να παρακολουθεί τη ροή της συνομιλίας και να αποφασίζει πότε πρέπει να μιλήσει, πότε να περιμένει και πότε να συνεχίσει να ακούει.

Τι σημαίνει ότι ακούει και μιλά ταυτόχρονα

Το νέο μοντέλο είναι full-duplex. Με απλά λόγια, δεν χρειάζεται να περιμένει αυστηρά να τελειώσει ο χρήστης για να επεξεργαστεί όσα λέγονται, αλλά 'εχει τη δυνατότητα να παρακολουθεί τη συζήτηση σε πραγματικό χρόνο και να αντιδρά εκείνη την ώρα.

Για τον χρήστη αυτό σημαίνει ότι μπορεί:

• να διακόπτει το ChatGPT χωρίς να χαλάει η συνομιλία,
• να κάνει παύσεις χωρίς το σύστημα να απαντά πρόωρα,
• να ζητά από τη φωνητική λειτουργία να μείνει σιωπηλή και να ακούει,
• να κάνει πιο γρήγορο διάλογο,
• να χρησιμοποιεί πιο φυσικά τη ζωντανή μετάφραση.

Η αλλαγή αυτή είναι ιδιαίτερα σημαντική για όσους χρησιμοποιούν το ChatGPT σε καθημερινές συνθήκες, όπως στο περπάτημα, στο αυτοκίνητο, στη δουλειά ή για εξάσκηση ξένων γλωσσών.

Ποιοι χρήστες θα το έχουν

Η OpenAI διαθέτει δύο εκδόσεις: το GPT-Live-1 και το GPT-Live-1 mini.

Το GPT-Live-1 θα είναι το βασικό φωνητικό μοντέλο για τους συνδρομητές Go, Plus και Pro. Το GPT-Live-1 mini θα είναι η προεπιλεγμένη επιλογή για τους χρήστες της δωρεάν έκδοσης.

Η διάθεση ξεκινά παγκοσμίως σε iOS, Android και στο ChatGPT.com. Η OpenAI αναφέρει επίσης ότι σχεδιάζει να φέρει τα νέα μοντέλα και στο API, ώστε να μπορούν να τα αξιοποιήσουν στο μέλλον developers και επιχειρήσεις.

Πιο έξυπνες απαντήσεις στη φωνή

Η νέα φωνητική λειτουργία δεν περιορίζεται μόνο στο να ακούγεται πιο φυσική, αλλά όταν μια ερώτηση απαιτεί αναζήτηση, πιο σύνθετο συλλογισμό ή μεγαλύτερη επεξεργασία, το GPT-Live μπορεί να αναθέτει την εργασία σε πιο ισχυρά μοντέλα, όπως το GPT-5.5, και στη συνέχεια να επιστρέφει με την απάντηση. Αυτό πρακτικά σημαίνει ότι ο χρήστης μπορεί να κάνει πιο σύνθετες ερωτήσεις με φωνή, χωρίς να χρειάζεται να μεταβεί απαραίτητα στο γραπτό chat.

Τι άλλο μπορεί να κάνει

Η OpenAI αναφέρει ότι η νέα φωνητική εμπειρία μπορεί να συνοδεύεται και από οπτικές απαντήσεις. Για παράδειγμα, σε ερωτήσεις για καιρό, μετοχές ή αθλητικά, το ChatGPT μπορεί να εμφανίζει κάρτες με πληροφορίες στην οθόνη, ενώ η συνομιλία συνεχίζεται.

Η φωνητική λειτουργία συνεχίζει επίσης να υποστηρίζει λειτουργίες όπως αναζήτηση, μνήμη, εικόνες και αρχεία, ανάλογα με το πρόγραμμα και τις διαθέσιμες δυνατότητες του χρήστη.

Τι πρέπει να προσέξουν οι χρήστες

Παρά την αναβάθμιση, υπάρχουν ακόμη περιορισμοί. Η OpenAI αναφέρει ότι στην αρχική διάθεση το GPT-Live δεν υποστηρίζει φωνή μαζί με βίντεο ή screen sharing στο ChatGPT, αν και η εταιρεία εργάζεται για να προσθέσει αυτές τις δυνατότητες στο μέλλον.

Επίσης, το μοντέλο έχει βελτιστοποιηθεί για ορισμένες από τις πιο δημοφιλείς γλώσσες του ChatGPT. Σε κάποιες γλώσσες μπορεί να υπάρχουν ακόμη προφορά που δεν ακούγεται απολύτως φυσική ή κενά στη ροή της συνομιλίας.

Γιατί είναι σημαντική η αλλαγή

Η κίνηση της OpenAI δείχνει προς μια νέα κατεύθυνση για την τεχνητή νοημοσύνη: λιγότερο πληκτρολόγιο, περισσότερη φυσική συνομιλία. Αν η φωνή γίνει πιο αξιόπιστη και πιο άμεση, το ChatGPT μπορεί να χρησιμοποιείται πιο εύκολα για καθημερινές εργασίες, επαγγελματική υποστήριξη, μετάφραση, εκπαίδευση και πολύωρες συνομιλίες.

Το μεγάλο στοίχημα είναι αν η φωνητική τεχνητή νοημοσύνη θα πάψει να μοιάζει με εργαλείο που απλώς απαντά σε εντολές και θα αρχίσει να λειτουργεί περισσότερο σαν ένας βοηθός που μπορεί να ακούει, να περιμένει, να καταλαβαίνει το πλαίσιο και να συνεχίζει τη συζήτηση χωρίς διακοπές.