OpenAI تطلق GPT-Live: يمكنها الاستماع والتحدث في نفس الوقت، مما يخلق تجربة محادثة تشبه الحديث مع إنسان حقيقي.

أطلقت OpenAI يوم الأربعاء نموذج الصوت مزدوج الاتجاه الكامل GPT-Live-1 وGPT-Live-1 mini، ليحل محل وضع الصوت المتقدم القديم (Advanced Voice Mode)، وسيتم تفويض المهام المعقدة إلى GPT-5.5 الذي صدر في أبريل من هذا العام.
(ملخص سابق: ترقية ترجمة Google: Gemini 3.5 يجعل الترجمة الصوتية الفورية دون توقف محرج)
(خلفية: بناء خدمة عملاء AI في دقيقتين! xAI تطلق Voice Agent Builder بدون كود، وتتفوق على OpenAI في اختبارات الصوت)

إنهاء عامين من المحادثة "التناوب على غرار الفانوس الدوار"، يوم الأربعاء جعل OpenAI ChatGPT يتعلم شيئًا واحدًا: الاستماع والتحدث في وقت واحد. نموذج الصوت الجديد GPT-Live يتخلى عن المنطق القديم القائم على الصمت لتحديد الأدوار، ويعتمد بنية مزدوجة الاتجاه الكامل (full-duplex).

GPT-Live-1 وGPT-Live-1 mini متاحان عالميًا اعتبارًا من اليوم على iOS وAndroid وChatGPT.com. يصبح GPT-Live-1 نموذج الصوت الافتراضي للمستخدمين المدفوعين Go وPlus وPro، بينما يخدم GPT-Live-1 mini المستخدمين المجانيين، أما API فسيكون متاحًا للمطورين عبر قائمة الانتظار. هذا هو التغيير الثالث في تكنولوجيا الصوت لـ ChatGPT خلال عامين، وهو أوضح تصريح من OpenAI: لم يعد الصوت مجرد وظيفة إضافية لروبوت الدردشة النصي، بل سيصبح الواجهة الرئيسية للتفاعل بين الإنسان والذكاء الاصطناعي.

لماذا كان الصوت القديم يقاطع باستمرار؟

كتبت OpenAI في مدونة الأبحاث أن GPT-Live يعالج المدخلات باستمرار بينما يولد المخرجات، ويمكن للنموذج اتخاذ قرارات تفاعلية متعددة في الثانية، ليقرر ما إذا كان يجب التحدث أو مواصلة الاستماع أو التوقف أو المقاطعة أو استدعاء أداة. وصف أحد الباحثين على X التجربة القديمة بأنها "تناوب على غرار الفانوس الدوار"، حيث يمكن لشخص واحد فقط التحدث في كل مرة، وينتظر حتى ينتهي الشخص الآخر.

هذه هي نقطة الضعف القاتلة في وضع الصوت المتقدم القديم (Advanced Voice Mode). اعترفت OpenAI أنه بسبب الاعتماد على الصمت لتحديد الأدوار، يمكن أن يُعتقد خطأً أن المستخدم أنهى حديثه بسبب توقف قصير أو ضوضاء خلفية، مما يؤدي إلى مقاطعة النموذج في توقيت غير طبيعي.

من المسؤول عن الكلام ومن المسؤول عن التفكير؟

تصميم رئيسي آخر لـ GPT-Live هو فصل "طبقة التفاعل الصوتي" عن "طبقة الاستدلال". يتم الرد على الأسئلة البسيطة مباشرة بواسطة GPT-Live، ولكن بمجرد مواجهة مهمة تتطلب البحث عبر الإنترنت أو الاستدلال العميق أو مهام متعددة الخطوات، يتم تفويض العمل إلى نموذج متطور يعمل في الخلفية، وهو GPT-5.5 الذي صدر في أبريل من هذا العام. أثناء إجراء العمليات الحسابية، يستمر النموذج في التحدث مع المستخدم، دون ظهور فراغات لعدة ثوانٍ كما في المسار القديم.

هذا تصميم معياري، وميزته أن ترقية الذكاء لا تتطلب إعادة تدريب نموذج الصوت نفسه. بالنسبة للشركات والمطورين الذين يرغبون في ربط وكيل الصوت بقواعد البيانات والبحث والمهام متعددة الخطوات، هذا هو خفض الحاجز الحقيقي.

ويضيف الإصدار الجديد ميزتين صغيرتين: ظهور بطاقات مرئية فورية أثناء المحادثة مثل الطقس وأسعار الأسهم ونتائج الرياضة والخرائط، كما يمكن للمستخدمين التبديل بين ثلاثة مستويات من الاستدلال: Instant (فوري) وMedium (متوسط) وHigh (معقد)، ليقرروا بأنفسهم ما إذا كانوا يريدون ردودًا صوتية سريعة أو إجابات أكثر تفصيلاً. بعبارة أخرى، السرعة والدقة لم يعدا خيارًا أحاديًا، يمكن للمستخدمين ضبط الخط بأنفسهم.

وانتهزت OpenAI الفرصة لإعادة تشكيل مجموعة الأصوات بالكامل، حيث تؤكد تسعة أصوات على أنها "مصممة للمحادثة وليست تقليدًا للأصوات"، وأضافت حماية لمنع محاكاة الأصوات البشرية، وهو رد جزئي على حساب قديم من عامين. في مايو 2024 عند إطلاق GPT-4o، اعتُبر الصوت "Sky" مشابهًا لصوت Scarlett Johansson في فيلم "Her"، وأكدت هي نفسها أنها رفضت دعوة Sam Altman للتمثيل الصوتي، ووصفت نفسها بأنها مصدومة وغاضبة بعد إطلاق المنتج، ثم قامت OpenAI بإزالة الصوت والاعتذار.