OpenAI выпустила голосовые модели GPT-Live-1 для более естественного диалога

OpenAI представила семейство голосовых моделей GPT-Live-1 и GPT-Live-1 mini, работающих в полнодуплексном режиме: они одновременно слушают и говорят, позволяя перебивать себя. Модель GPT-Live-1 mini заменяет в ChatGPT прежний режим Advanced Voice Mode по умолчанию, а сложные запросы делегируются текстовым моделям уровня GPT-5.5.

Компания OpenAI (разработчик ChatGPT) выпустила новое поколение голосовых моделей — GPT-Live-1 и её облегчённую версию GPT-Live-1 mini. По заявлению разработчиков, они звучат более естественно и лучше справляются с чередованием реплик в разговоре.

Ключевое отличие — полнодуплексная архитектура: модели могут одновременно слушать и говорить. Это позволяет пользователю естественно перебивать ассистента и открывает возможности вроде синхронного перевода. Прежний режим работы объединял три компонента — распознавание речи в текст, языковую модель для генерации ответа и синтез речи; новые модели работают иначе.

В ChatGPT прежний режим Advanced Voice Mode по умолчанию заменяется на GPT-Live-1 mini, а пользователям платных тарифов будет доступна более крупная модель GPT-Live-1. Чтобы отвечать на сложные вопросы, требующие поиска, рассуждений или агентных сценариев, модель передаёт запрос новым текстовым моделям уровня GPT-5.5, продолжая при этом вести беседу. Ассистент также может долго молчать, накапливая контекст разговора, пока к нему не обратятся, и представлять часть информации в визуальном формате.

По данным OpenAI, более 150 млн человек общаются с ChatGPT через функции голоса и диктовки. Компания подчёркивает, что не стремится превратить ассистента в «AI-компаньона»: в модели встроены механизмы безопасности, дающие подходящие по возрасту ответы подросткам и предлагающие помощь при разговорах на темы вроде самоповреждения.

Режим пока не лишён недостатков. Во время демонстрации функции синхронного перевода на хинди ассистент говорил с заметным американским акцентом и звучал неестественно. В OpenAI отметили, что новый режим оптимизирован для «большинства распространённых языков», но не уточнили, для каких именно.

Похожими возможностями занимаются и конкуренты: Apple и Amazon обновляли своих ассистентов для более естественного общения и работы с контекстом, а ряд стартапов выпускает голосовые сервисы, выполняющие задачи в фоновом режиме.