OpenAI از مدل صوتی GPT-Live-1 برای مکالمات طبیعی‌تر رونمایی کرد [تماشا کنید]

OpenAI از نسل جدید مدل‌های صوتی خود با نام GPT-Live-1 و نسخه مینی آن رونمایی کرد. این مدل‌های جدید با معماری «دوطرفه» طراحی شده‌اند و به کاربران امکان می‌دهند مکالماتی بسیار طبیعی‌تر و روان‌تر را با هوش مصنوعی تجربه کنند. ویژگی برجسته این فناوری جدید، توانایی گوش‌دادن و صحبت‌کردن به صورت هم‌زمان است که امکان قطع‌کردن حرف هوش مصنوعی و ترجمه زنده را فراهم می‌کند.

پیش‌ازاین، حالت صوتی در ChatGPT براساس مدل نوبتی کار می‌کرد؛ به این معنا که هوش مصنوعی برای پاسخ‌دادن باید منتظر سکوت کامل کاربر می‌ماند. این وقفه ساختاری اغلب باعث می‌شد تا مکث‌های کوتاه انسان برای فکرکردن، به اشتباه به عنوان پایان جمله برداشت شود و چت‌بات با پاسخ بی‌موقع حرف کاربر را قطع کند.

اکنون با معرفی معماری دوطرفه در خانواده GPT-Live-1، این سیستم می‌تواند در کسری از ثانیه تصمیم بگیرد که صحبت کند، به گوش‌دادن ادامه دهد یا ساکت بماند. این دستیار هوش مصنوعی حتی در زمان گوش‌دادن با بیان کلماتی مانند «بله» یا «متوجه شدم»، توجه خود را به کاربر نشان می‌دهد و در محیط‌های پر سروصدا مانند خیابان، تمرکز بسیار بهتری روی صدای انسان دارد.

معرفی مدل صوتی GPT-Live-1

یکی از جالب‌ترین تغییرات در این سیستم، قابلیت واگذاری وظایف است. اگر در میان مکالمه سؤالی بپرسید که به جستجوی وب یا استدلال عمیق علمی نیاز داشته باشد، مدل صوتی این کار را در پس‌زمینه به مدل‌های متنی قدرتمندتری مانند GPT-5.5 می‌سپارد. در طول این فرایند تحقیق، مدل صوتی همچنان به مکالمه عادی با شما ادامه می‌دهد تا جریان ارتباط قطع نشود.

علاوه‌‌بر پیشرفت‌های صوتی، این دستیار اکنون می‌تواند اطلاعاتی مانند وضعیت آب‌وهوا، نتایج مسابقات ورزشی و قیمت سهام را در قالب کارت‌های بصری و جذاب روی صفحه نمایش کاربر ظاهر کند. قابلیت آپلود فایل و تصاویر برای بررسی توسط دستیار صوتی نیز همچنان در دسترس کاربران قرار دارد.

البته این فناوری هنوز کاملاً بی‌نقص نیست. در جریان رویداد معرفی، زمانی که قابلیت ترجمه زنده به زبان هندی به نمایش درآمد، دستیار صوتی با لهجه غلیظ آمریکایی و لحنی غیرطبیعی و نسبتاً کتابی صحبت کرد. اوپن‌ای‌آی ضمن تأیید این ضعف‌ها اعلام کرد که این مدل فعلاً برای زبان‌های پرکاربردتر بهینه‌ شده و به مرور زمان برای سایر زبان‌ها نیز ارتقا خواهد یافت.

با توجه به واقعی‌تر شدن لحن و صدای هوش مصنوعی، OpenAI تدابیر امنیتی گسترده‌ای را برای جلوگیری از وابستگی عاطفی و سوءاستفاده در نظر گرفته است. این سیستم در مواجهه با موضوعات پرخطری مانند خودآزاری، به سرعت وارد عمل می‌شود و می‌تواند مسیر مکالمه را تغییر دهد یا آن را به طور کامل متوقف می‌کند.

روند عرضه مدل‌های GPT-Live-1 از امروز برای سیستم‌عامل‌های iOS، اندروید و نسخه وب آغاز شده است. براساس اعلام رسمی، کاربران طرح‌های پولی شامل پلاس، پرو و Go به مدل قدرتمند GPT-Live-1 دسترسی خواهند داشت و کاربران حساب‌های رایگان به صورت پیش‌فرض از مدل سریع‌تر و اقتصادی‌تر GPT-Live-1 مینی استفاده خواهند کرد.