OpenAI GPT-Live-1 глобальний запуск, повністю дуплексний голосовий режим замінено на режим голосового зв’язку Advanced Voice Mode

OpenAI офіційно запустила повнодіапазонну голосову модель GPT-Live-1 та GPT-Live-1 mini 9 липня, які з сьогоднішнього дня доступні на iOS, Android та ChatGPT.com по всьому світу, замінюючи попередній режим Advanced Voice Mode.

Характеристики запуску GPT-Live-1 та GPT-Live-1 mini: платні користувачі, безкоштовні користувачі та черги API

Згідно з оголошенням OpenAI, обидві моделі GPT-Live мають такі сфери застосування: GPT-Live-1 — за замовчуванням голосова модель для користувачів платних планів Go, Plus, Pro; GPT-Live-1 mini — для безкоштовних користувачів; щодо API, наразі розробники перебувають у черзі, доступу ще не відкрито.

Обидві моделі одразу доступні по всьому світу на iOS, Android та ChatGPT.com, що є третім оновленням голосової технології ChatGPT за два роки і найчіткішим визначенням позиціонування OpenAI: голос стане головним інтерфейсом для спілкування людини з AI, а не додатковою функцією текстового чат-бота.

Принцип роботи архітектури повнодіапазонного зв’язку: проблеми мовчазних раундів у попередньому Advanced Voice Mode та рішення GPT-Live

Згідно з дослідницьким блогом OpenAI, основна проблема попереднього Advanced Voice Mode полягала у визначенні раундів мовчання — короткі паузи або фоновий шум могли бути неправильно сприйняті як закінчення користувачем, що спричиняло несподівані переривання моделі; така «світлова черга» обмежувала кожен діалог одним учасником, що знижувало природність спілкування.

GPT-Live використовує архітектуру повнодіапазонного зв’язку, де модель одночасно обробляє вхідні дані та генерує вихід, виконуючи багато взаємодій за секунду, визначаючи, коли говорити, слухати, ставити паузу, переривати або викликати інструменти, що робить діалог наближеним до реального людського спілкування.

Розділення голосового та логічного рівнів: делегування GPT-5.5, три рівні логіки та нові функції

Ключовий дизайн GPT-Live — модульне розділення «голосового» та «логічного» рівнів: прості питання обробляються безпосередньо GPT-Live; складні (наприклад, пошук у мережі, глибока логіка або багатоступінчасті завдання) делегуються GPT-5.5, що працює у фоновому режимі, зберігаючи діалог без пауз у кілька секунд.

Цей модульний підхід дозволяє оновлювати логіку без повторного тренування голосової моделі, що дає змогу компаніям і розробникам інтегрувати голосових агентів у бази даних, пошук або багатоступінчасті задачі. Нові функції включають:

• Три рівні логіки: Instant (миттєвий), Medium (середній), High (складний), користувачі обирають баланс швидкості та глибини
• Миттєві візуальні картки: автоматичне відображення погоди, цін на акції, спортивних результатів, карт
• Дев’ять голосів для діалогів: з акцентом «на дизайн для діалогу, а не імітацію голосу», з механізмами запобігання імітації людського голосу

Поширені питання

У чому різниця між GPT-Live-1 та GPT-Live-1 mini?

Згідно з оголошенням OpenAI, GPT-Live-1 — голосова модель за замовчуванням для користувачів платних планів Go, Plus, Pro; GPT-Live-1 mini — для безкоштовних користувачів; API відкритий для розробників у черзі. Обидві моделі доступні одразу на iOS, Android та ChatGPT.com по всьому світу.

Як GPT-Live обробляє складні питання і чим відрізняється від попереднього Advanced Voice Mode?

Згідно з поясненнями OpenAI, GPT-Live використовує модульну архітектуру з розділенням голосового та логічного рівнів; складні завдання делегуються GPT-5.5, а голосовий рівень залишається активним під час обчислень, без пауз у кілька секунд. Попередній режим базувався на визначенні раундів мовчання, що спричиняло помилки у визначенні моменту перерви, тоді як GPT-Live працює у повнодіапазонному режимі, обробляючи вхід і генеруючи вихід одночасно.

Чому новий голосовий дизайн GPT-Live наголошує на «запобіганні імітації людського голосу»?

Згідно з повідомленнями, це пов’язано з інцидентом у травні 2024 року з голосом «Sky» для GPT-4o, який був схожий на актрису Scarlett Johansson, яка відмовилася від голосової ролі від Sam Altman і пізніше висловила здивування та обурення; OpenAI тоді зняла цей голос і вибачилася. Нові дев’ять голосів підкреслюють «на дизайн для діалогу, а не імітацію голосу» і мають механізми запобігання імітації людського голосу.