OpenAI запускає GPT-Live: може одночасно слухати та говорити, створюючи досвід діалогу, подібний до реальної людини.

OpenAI у середу представила повнодуплексні голосові моделі GPT-Live-1 та GPT-Live-1 mini, які замінюють стару Advanced Voice Mode. Складні завдання делегуються GPT-5.5, випущеній у квітні цього року.
(Попередній контекст: Оновлення Google Translate: Gemini 3.5 робить синхронний переклад без незручних пауз)
(Додатково: Створіть AI-помічника за 2 хвилини! xAI представляє Voice Agent Builder без коду, який перевершує OpenAI за голосовими тестами)

Поклавши край дворічному «карусельному» діалогу, OpenAI у середу навчив ChatGPT робити одну річ: одночасно слухати і говорити. Нова голосова модель GPT-Live відмовилася від старої логіки визначення черговості за тишею, замість цього використовується повнодуплексна (full-duplex) архітектура.

GPT-Live-1 та GPT-Live-1 mini відтепер доступні у всьому світі на iOS, Android та ChatGPT.com. GPT-Live-1 стає голосовою моделлю за замовчуванням для платних користувачів Go, Plus, Pro, а GPT-Live-1 mini обслуговує безкоштовних користувачів. API чекатиме на розробників за списком очікування. Це третя зміна голосової технології ChatGPT за два роки і найоднозначніша заява OpenAI: голос більше не є додатковою функцією текстового чат-бота, а стає основним інтерфейсом для спілкування людини з AI.

Чому старий голос постійно перебивав?

OpenAI у своєму дослідницькому блозі написала, що GPT-Live безперервно обробляє вхідні дані, одночасно генеруючи вихідні. Модель приймає рішення про взаємодію кілька разів на секунду: чи варто заговорити, продовжувати слухати, зробити паузу, перебити або викликати інструмент. Один дослідник у X описав старий досвід як «карусельний» діалог — лише одна людина говорить за раз, черга переходить до наступної після завершення.

Це і була ахіллесова п’ята старої Advanced Voice Mode. OpenAI визнає, що через визначення черги за тишею, короткі паузи або фоновий шум могли бути сприйняті як завершення мовлення користувача, що призводило до неприродних переривань моделі.

Хто говорить, а хто думає?

Ще одне ключове нововведення GPT-Live — розділення «голосового інтерактивного шару» та «шару міркувань». На прості запитання відповідає безпосередньо GPT-Live, але коли потрібен пошук у мережі, глибокі міркування або багатокрокові завдання, робота делегується фоновій передовій моделі. На момент запуску це GPT-5.5, випущена у квітні цього року. Під час обчислень модель продовжує спілкуватися з користувачем, без багатосекундних пауз, як у старих пайплайнах.

Це модульна конструкція, перевага якої в тому, що для підвищення рівня інтелекту не потрібно переучувати саму голосову модель. Для компаній і розробників, які хочуть підключити голосовий агент до баз даних, пошуку або багатокрокових завдань, це справжнє зниження бар’єрів.

Нова версія також має дві додаткові функції: під час розмови відображаються візуальні картки з погодою, цінами акцій, спортивними результатами, картами тощо. Користувачі можуть самостійно перемикатися між трьома рівнями міркувань: Instant (миттєвий), Medium (середній), High (складний), вирішуючи, чи хочуть вони швидку голосову відповідь або продуманішу відповідь. Іншими словами, швидкість та точність більше не є вибором «або-або» — користувач сам може встановити цю межу.

OpenAI також оновила набір голосів. Дев'ять голосів підкреслюють «створені для діалогу, а не для імітації голосів» і додано захист від імітації голосів людей. Це певною мірою відповідь на давній інцидент два роки тому. У травні 2024 року під час презентації GPT-4o голос «Sky» викликав асоціації з озвучкою Скарлетт Йоганссон з фільму «Вона». Сама актриса підтвердила, що відмовилася від пропозиції Сема Альтмана озвучити модель, а після виходу продукту висловила шок та гнів. OpenAI згодом видалила цей голос і вибачилася.