A OpenAI anunciou uma série de modelos de voz chamada GPT-Live. Esses modelos têm a capacidade de perceber a fala do usuário e gerar uma resposta no mesmo momento, tornando a interação por voz com a rede neural muito mais natural. O modelo agora pode inserir suas falas enquanto o usuário está falando, adaptar-se ao seu ritmo e pausas, e reagir corretamente se for interrompido.
A primeira implementação do modo de voz do ChatGPT, lançada em 2023, funcionava como uma sequência de três componentes separados. Primeiro, a voz do usuário era convertida em texto usando um modelo de reconhecimento de fala, depois um grande modelo de linguagem criava uma resposta de texto que era vocalizada por um terceiro modelo. Embora esse encadeamento permitisse integrar os modelos de linguagem mais avançados da OpenAI disponíveis na época à interface de voz, o diálogo sofria com pausas e perda de entonação, o que diminuía sua naturalidade.
Na versão Advanced Voice, apresentada em 2024, o processo de análise de áudio, seu processamento e geração de resposta de voz foi integrado em uma única rede neural multimodal. Isso reduziu significativamente as pausas e aumentou a naturalidade da fala. No entanto, mesmo neste modo, a comunicação permanecia estritamente sequencial: o modelo esperava o término da frase do usuário antes de começar a falar. Isso causava problemas quando ruídos de fundo ou pausas na fala podiam desorientar o modelo, fazendo-o mudar para o modo de escuta ou fala, o que interrompia o fluxo da comunicação.
O novo modelo GPT-Live foi apresentado em 8 de julho de 2026 e é equipado com uma arquitetura full-duplex, projetada para eliminar o problema da ordem rígida do diálogo. O sistema não divide mais a conversa em falas separadas; em vez disso, o fluxo de áudio de entrada é processado pelo modelo em paralelo com a formação de sua própria resposta. A rede neural analisa o fluxo várias vezes por segundo, tomando decisões sobre ações: falar, ficar em silêncio, ignorar as pausas do interlocutor ou reagir à interrupção de sua fala. Durante a escuta, o modelo pode usar interjeições como «uhum» ou «entendi», criando uma sensação de atenção total ao usuário.
Graças à estrutura full-duplex, o GPT-Live é capaz de realizar tradução síncrona entre idiomas em tempo real e isolar melhor a voz do usuário de ruídos externos. Durante a conversa, o ChatGPT pode exibir cartões com informações necessárias, como previsões do tempo, cotações da bolsa ou resultados esportivos. Outra função é a capacidade de encaminhar solicitações complexas para modelos de linguagem mais potentes da OpenAI. O modelo de voz foca em manter a naturalidade da conversa, e se a pergunta exigir análise profunda ou busca na internet, o sistema ativa os modelos de linguagem principais, enquanto o modelo de voz continua o diálogo, e então vocaliza o resultado.
Os engenheiros da OpenAI também dedicaram atenção à segurança do novo modelo. Mecanismos de moderação adicionais foram implementados no sistema, monitorando continuamente tanto o fluxo de áudio de entrada quanto a resposta gerada. Ao detectar conteúdo potencialmente perigoso, o sistema pode redirecionar a conversa ou encerrar a sessão forçadamente. A versão superior, GPT-Live-1, está disponível para usuários pagos do ChatGPT, e a versão simplificada, GPT-Live-1 mini, é destinada a contas gratuitas.
Nesta quinta-feira, dia 9, a OpenAI divulgou o ChatGPT Work. Esta é uma versão da inteligência artificial (IA) desenvolvida pela empresa, especificamente voltada para o ambiente de trabalho.
O ChatGPT Work possui a capacidade de realizar diversas tarefas diretamente em diferentes aplicativos e arquivos utilizados pelos usuários.
