OpenAI wypuszcza GPT-Live, głosowy model słucha i mówi jednocześnie

OpenAI uruchomiło 8 lipca nowy model głosowy GPT-Live, który zastępuje dotychczasowy Advanced Voice Mode w ChatGPT na całym świecie. Największa zmiana dotyczy architektury: model działa w trybie pełnego dupleksu, czyli słucha i mówi jednocześnie, zamiast czekać na moment ciszy, żeby zacząć odpowiadać.

Dotychczasowy tryb głosowy działał na zasadzie turn-based, czyli na zmianę: użytkownik mówił, model czekał, a potem odpowiadał. GPT-Live przetwarza dźwięk w sposób ciągły, analizując zarówno treść wypowiedzi, jak i intonację, i podejmuje decyzje o tym, czy mówić, słuchać, robić pauzę, przerywać czy sięgnąć po narzędzie, wielokrotnie w ciągu sekundy.

Jak działa pełny dupleks

W praktyce oznacza to, że model potrafi wtrącić krótkie potwierdzenie w rodzaju mhmm albo got it, kiedy użytkownik wciąż mówi, zamiast czekać na koniec zdania. Może też zamilknąć, gdy rozmówca potrzebuje chwili na zastanowienie, co ma sprawiać wrażenie naturalnej rozmowy, a nie wymiany komunikatów.

Dla bardziej złożonych pytań, wymagających wyszukiwania w sieci albo głębszego rozumowania, GPT-Live deleguje zadanie w tle do modelu GPT-5.5, a wynik wraca do rozmowy, gdy jest gotowy. Dostępne są trzy poziomy rozumowania: Instant, Medium i High, co pozwala równoważyć szybkość odpowiedzi z jej jakością.

Liczby z testów

OpenAI opublikowało wyniki testów porównawczych, w których uczestnicy oceniali rozmowy prowadzone przez oba tryby głosowe. GPT-Live-1 wygrywał z Advanced Voice Mode w 75,7 procent porównań, a lżejsza wersja GPT-Live-1 mini w 69,2 procent. W teście Tau3 Voice Telecom, sprawdzającym realizację zadań telefonicznych, model przy najwyższym poziomie rozumowania osiągał około 65 procent skuteczności przy czasie realizacji zadania rzędu 385 sekund.

Największy skok widać w zadaniach wymagających wiedzy i wyszukiwania. Wynik w teście GPQA, sprawdzającym rozumowanie naukowe na poziomie doktoranckim, wzrósł z 45,3 do 84,2 procent. W teście BrowseComp, mierzącym zdolność do samodzielnego wyszukiwania informacji w sieci, skuteczność skoczyła z 0,7 do 75,2 procent, co pokazuje, jak bardzo poprzedni tryb głosowy był ograniczony w tym zakresie.

Nowe funkcje i dostępność

Model dostał też dziewięć przerobionych głosów, wizualne karty pokazujące na przykład pogodę, notowania giełdowe czy wyniki sportowe w trakcie rozmowy, a także tłumaczenie na żywo. Dla młodszych użytkowników OpenAI wprowadziło dopasowane do wieku odpowiedzi i kontrolę rodzicielską, a mechanizmy bezpieczeństwa mają pozostawać aktywne przez cały czas trwania rozmowy głosowej.

GPT-Live trafia na razie do aplikacji mobilnych i przeglądarkowej wersji ChatGPT, dostęp przez API ma pojawić się później, na razie firma zbiera zgłoszenia deweloperów zainteresowanych wczesnym dostępem.

Co to znaczy dla polskich użytkowników

Dla polskich firm budujących produkty na bazie API OpenAI oznacza to zapowiedź nowej kategorii asystentów głosowych, zdolnych prowadzić naturalną rozmowę telefoniczną czy obsługę klienta bez typowych przerw i sztywnego rytmu pytanie-odpowiedź. Na razie jednak funkcja trafia wyłącznie do konsumenckiej aplikacji ChatGPT, więc komercyjne wdrożenia poczekają na otwarcie API.

Premiera GPT-Live wpisuje się w serię ogłoszeń OpenAI z pierwszej połowy lipca, obejmującą również rodzinę modeli GPT-5.6 oraz aplikację ChatGPT Work, co razem tworzy obraz firmy przebudowującej swój produkt wokół trzech filarów: rozmowy, pracy i programowania.

Źródła: Introducing GPT-Live (openai.com), ChatGPT can now listen and talk at the same time (the-decoder.com), OpenAI Launches GPT-Live-1 (mlq.ai)