W świecie rozwijającej się sztucznej inteligencji nastąpił moment przełomowy związany z uruchomieniem nowego modelu GPT-Live-1 przez firmę OpenAI. Jest to największa zmiana w trybie głosowym ChatGPT od czasu, gdy system zaczął do nas odpowiadać na pytania użytkowników.
Dwa nowe modele i szybkie udostępnienie
Firma przedstawiła dwa wersje tego rozwiązania: standardowy GPT-Live-1 oraz jego lżejszą odmianę, GPT-Live-1-Mini. Usługa będzie udostępniana w ciągu najbliższych dni, co oznacza, że nie wszyscy użytkownicy na całym świecie będą mogli z niej korzystać od razu po premierze.
Pełny duplex: rozmowa jak z człowiekiem
Kluczową różnicą między nowym modelem a poprzednimi wersjami jest sposób przetwarzania dźwięku. Stary tryb głosowy wymagał od użytkownika zakończenia rozmowy, aby system mógł odpowiedzieć, co przypominało połączenie krótkofalowe z przerwami na czekanie.
GPT-Live-1 nie działa w ten sposób i wprowadza koncepcję pełnego duplexu. Słucha i mówi w tym samym czasie, umożliwiając naturalny przepływ rozmowy bez sztucznych pauz między wypowiedzeniami obu stron dialogu.
Reakcje na dźwięki otoczenia
Niektórzy użytkownicy mogli odczuwać wrażenie rozmawiania z robotem, który nie reaguje na kontekst. Nowy model pokazuje jednak, że potrafi zwracać uwagę na dźwięk za pomocą takich reakcji jak "tak" lub "uh-huh", co buduje poczucie obecności.
System może szybko przejść do wymiany zdań albo po prostu pozostać w ciszy, podczas gdy my nad czymś myślimy. To ogromny skok technologiczny osiągnięty w ciągu zaledwie dwunastu miesięcy rozwoju technologii głosowych.
Architektura jednego strumienia
Wcześniej system opierał się na trzech oddzielnych modelach ustawionych jeden na drugim: pierwszy zamieniał głos na tekst, drugi ustalał odpowiedź, a trzeci konwertował wynik z powrotem do dźwięku. Każdy krok powodował niewielkie opóźnienie.
GPT-Live-1 pomija to wszystko i przetwarza mowę oraz buduje odpowiedź w jednym ciągłym strumieniu. Dzięki temu może zareagować na połowie zdania, zamiast czekać aż użytkownik całkowicie je skończy wypowiedzieć.
Inteligentne delegowanie zadań
Istnieje jeszcze jeden sprytny ruch zastosowany przez inżynierów z OpenAI. Model nie próbuje być najinteligentniejszym w pomieszczeniu, ale inteligentnie zarządza obciążeniem.
Gdy otrzymuje pytanie wymagające poważnego namysłu lub przeszukania internetu, cicho przekazuje sprawę do bardziej zaawansowanego modelu działającego w tle. Dzięki temu głos pozostaje szybki i naturalny, a ciężkie myśli przenoszą się gdzie indziej.
Zmiana percepcji rozmowy biznesowej
Wyobraźmy sobie właściciela firmy, który używa ChatGPT do przemyślenia nowej oferty. W starym trybie zadawał pytanie i czekał na pełną odpowiedź przed zadaniem kolejnego pytania.
Dzięki nowemu rozwiązaniu można omawiać nowy plan dla biznesu tak, jakbyśmy tłumaczyli go partnerowi biznesowemu. Dajemy sobie chwilę na zastanowienie, a system po prostu czeka, aż wszystko pójdzie zgodnie z planem zamiast narzucać się użytkownikowi.
W tym tkwi różnica między dawnymi modelami a nowością: masz wrażenie rozmowy z kimś, kto naprawdę słucha, a nie z maszyną wykonującą swoją kolej w sztywnym schemacie działania.