OpenAI запустила GPT-Live: одновременно слушает и говорит, создавая реалистичный диалоговый опыт.

OpenAI в среду представила полноценные дуплексные голосовые модели GPT-Live-1 и GPT-Live-1 mini, заменив старую версию Advanced Voice Mode. Сложные задачи будут передаваться на обработку GPT-5.5, выпущенной в апреле этого года.

(Предыстория: Обновление Google Translate: Gemini 3.5 устраняет неловкие паузы в мгновенном голосовом переводе)
(Дополнительно: 2 минуты на создание AI-поддержки! xAI запускает Voice Agent Builder без кода, обходя OpenAI по голосовым показателям)

Положив конец двухлетнему «циклическому» диалогу, OpenAI в среду научил ChatGPT одной вещи: одновременно слушать и говорить. Новая голосовая модель GPT-Live отказалась от старой логики определения очереди по тишине и перешла на полноценный дуплекс (full-duplex).

GPT-Live-1 и GPT-Live-1 mini с сегодняшнего дня доступны по всему миру на iOS, Android и ChatGPT.com. GPT-Live-1 становится голосовой моделью по умолчанию для платных пользователей Go, Plus и Pro, а GPT-Live-1 mini обслуживает бесплатных пользователей. API — в листе ожидания для разработчиков. Это третья смена поколений голосовой технологии ChatGPT за два года и самый ясный сигнал OpenAI: голос больше не дополнительная функция текстового чат-бота, а основной интерфейс взаимодействия человека с AI.

Почему старый голос постоянно перебивал?

В исследовательском блоге OpenAI пишут, что GPT-Live непрерывно обрабатывает ввод, одновременно генерируя вывод. Модель принимает решения о взаимодействии несколько раз в секунду: пора говорить, продолжать слушать, сделать паузу, перебить или вызвать инструмент. Один исследователь в X описал старую версию как «цикл карусели»: говорить может только один человек, и только после его окончания наступает очередь следующего.

Именно в этом была ахиллесова пята старой Advanced Voice Mode. OpenAI признали, что из-за определения очереди по тишине короткие паузы или фоновый шум могли быть ошибочно приняты за окончание речи пользователя, что приводило к неестественному вмешательству модели.

Кто отвечает за речь, а кто за мышление?

Ещё одна ключевая особенность GPT-Live — разделение «голосового интерактивного слоя» и «слоя рассуждений». Простые вопросы GPT-Live отвечает напрямую. Как только требуется поиск в интернете, глубокие рассуждения или многошаговые задачи, работа передаётся фоновой передовой модели — на момент запуска это GPT-5.5, выпущенная в апреле. Во время вычислений диалог с пользователем продолжается, без тех нескольких секунд молчания, как в старом конвейере.

Это модульная конструкция: её преимущество в том, что для повышения интеллекта не нужно переучивать саму голосовую модель. Для предприятий и разработчиков, желающих подключить голосового агента к базам данных, поиску и многошаговым задачам, это настоящее снижение барьера.

Новая версия также получила две небольшие функции: в ходе диалога могут мгновенно появляться визуальные карточки с погодой, ценами акций, спортивными счетами, картами и т.д. Пользователь также может переключаться между тремя уровнями рассуждений: Instant (мгновенный), Medium (средний), High (сложный) — сам решать, нужна ли быстрая голосовая реакция или более продуманный ответ. Другими словами, скорость и точность больше не являются выбором «или-или»: пользователь сам может регулировать этот баланс.

OpenAI также заново переработала голосовой состав: девять голосов подчёркивают «дизайн для диалога, а не имитацию голоса», и добавлена защита от подражания человеческим голосам — в определённой мере это ответ на старые претензии двухлетней давности. В мае 2024 года при презентации GPT-4o голос «Sky» сочли слишком похожим на голос Scarlett Johansson из фильма «Она». Она сама подтвердила, что отказала Sam Altman в предложении озвучивания, а после выхода продукта назвала себя шокированной и разгневанной. OpenAI впоследствии удалила этот голос и принесла извинения.