OpenAI kompaniyasi GPT-Live nomli ovoz modellari seriyasini e'lon qildi. Ushbu modellar foydalanuvchi nutqini qabul qilish va javobni shu paytda yaratish qobiliyatiga ega, bu esa neyromeshkalar bilan ovoz orqali muloqotni ancha tabiiy qiladi. Model endi foydalanuvchi gapirayotganda o'z replikasini kiritishi, uning ohangiga va pauzalariga moslashishi, shuningdek, uni to'xtatgan holda to'g'ri reaksiya berishi mumkin.
2023 yilda chiqarilgan ChatGPT ning ovoz rejimining birinchi amalga oshirilishi uchta alohida komponent ketma-ketligi sifatida ishlaydi. Avvalo, foydalanuvchi ovozi nutqni tanishish modelidan matnga aylantiriladi, so'ngra katta til modeli matnli javobni yaratadi, u esa uchinchi model tomonidan ovoz chiqariladi. Garchi bunday kaskad eng ilg'or til modellarini ovoz interfeysiga integratsiya qilish imkonini bersa-da, dialog pauzalar va intonatsiyalarning yo'qolishi tufayli tabiiyligini yo'qotardi.
2024 yilda taqdim etilgan Advanced Voice versiyasida tovushni tahlil qilish, uni qayta ishlash va ovozli javobni yaratish jarayoni bitta multimodal neyromeshkaga integratsiya qilindi. Bu pauzalarni sezilarli darajada qisqartirdi va nutq tabiiyligini oshirdi. Biroq, hatto bu rejimda ham muloqot qat'iy ravishda navbatma-navbat bo'lib qoldi: model foydalanuvchi jumlasi tugashini kutib, keyin gapirishni boshlardi. Bu fon shovqini yoki nutqdagi pauzalar modelni chalg'itib, uni tinglash yoki gapirish rejimiga o'tishiga majburlashi natijasida muloqot jarayonini buzadigan muammolarga olib kelardi.
Yangi GPT-Live modeli 2026 yil 8-iyul kuni taqdim etildi va dialogning qattiq navbatlashuvi muammosini bartaraf etish uchun mo'ljallangan to'liq ikki tomonlama arxitektura bilan jihozlangan. Tizim endi suhbatni alohida replikalarga ajratmaydi; buning o'rniga, kiruvchi audio oqimi model tomonidan o'z javobini shakllantirish bilan parallel ravishda qayta ishlanadi. Neyromeshka soniyada ko'p marta oqimni tahlil qilib, harakatlar haqida qaror qabul qiladi: gapirish, jim turish, suhbatdoshning pauzalarini e'tiborsiz qoldirish yoki o'z nutqini to'xtatishga javob berish. Tinglayotganda, model foydalanuvchiga to'liq diqqat qaratayotgan tuyg'u yaratish uchun 'ha', 'tushunarli' kabi iboralaridan foydalana oladi.
To'liq ikki tomonlama tuzilma tufayli, GPT-Live real vaqtda tillararo sinxron tarjima qilish va foydalanuvchi ovozini tashqi shovqindan yaxshiroq ajratib turish qobiliyatiga ega. Suhbat davomida ChatGPT kerakli ma'lumotlarni, masalan, ob-havo prognozlari, birja kurslari yoki sport natijalarini ko'rsatishi mumkin. Yana bir funksiya – murakkab so'rovlarni yanada kuchliroq OpenAI til modellariga yo'naltirish imkoniyati. Ovozli model suhbatning tabiiyligini saqlashga e'tibor qaratadi, agar savol chuqur tahlil yoki internetda qidirishni talab qilsa, tizim asosiy til modellarini faollashtiradi, shu bilan birga ovozli model asosiy model ishlayotgan vaqtda dialogni davom ettiradi, so'ngra natijani ovoz chiqaradi.
OpenAI muhandislari yangi model xavfsizligiga ham e'tibor qaratishdi. Tizimga kiruvchi audio oqim va yaratilayotgan javobni doimiy nazorat qiluvchi qo'shimcha moderatsiya mexanizmlari joriy etildi. Potensial xavfli kontent aniqlanganda, tizim suhbat yo'nalishini sozlash yoki sessiyani majburan yakunlashi mumkin. Yuqori versiya, GPT-Live-1, ChatGPT ning pullik foydalanuvchilari uchun mavjud, va soddalashtirilgan versiya, GPT-Live-1 mini, bepul akkauntlar uchun mo'ljallangan.
