Στην πιο σημαντική αναβάθμιση της φωνητικής εμπειρίας του ChatGPT προχώρησε η OpenAI, ανακοινώνοντας την παγκόσμια διάθεση του GPT-Live.
Η νέα γενιά φωνητικών μοντέλων της εταιρείας εγκαταλείπει την παραδοσιακή λογική των διακριτών “γύρων” επικοινωνίας (turn-based) και εισάγει την πλήρως αμφίδρομη λειτουργία (full-duplex). Το αποτέλεσμα είναι μια αλληλεπίδραση που προσομοιάζει την ανθρώπινη συζήτηση, επιτρέποντας τις φυσικές παύσεις, τις διακοπές από τον χρήστη και την άμεση ανταπόκριση.
Το GPT-Live, σύμφωνα με το TechRadar, μπορεί να ακούει, να μιλάει και να διακόπτει ταυτόχρονα, ενώ διαθέτει την ικανότητα να αναθέτει σύνθετα ερωτήματα στο νεότερο μοντέλο GPT-5.5 στο παρασκήνιο, προβάλλοντας παράλληλα οπτικές κάρτες με δεδομένα στην οθόνη του χρήστη.
Για να κατανοήσουμε το τεχνολογικό άλμα του GPT-Live, πρέπει να εξετάσουμε το πώς λειτουργούσε η φωνητική τεχνητή νοημοσύνη μέχρι χθες (8/7). Αρχικά, τα συστήματα ήταν Cascaded (κλιμακωτά): Ένα μοντέλο μετέτρεπε τη φωνή σε κείμενο (STT), έπειτα το LLM παρήγαγε το κείμενο της απάντησης και ένα τρίτο μοντέλο το μετέτρεπε ξανά σε φωνή (TTS). Αυτή η διαδικασία προκαλούσε απώλεια του τόνου της φωνής και τεράστιο latency.
Στη συνέχεια, η OpenAI παρουσίασε το Advanced Voice Mode (AVM), το οποίο λειτουργούσε με βάση τους “γύρους” (turn-based). Αν και ταχύτερο, το AVM βασιζόταν στην ανίχνευση σιωπής. Αν ο χρήστης έκανε μια παύση για να σκεφτεί, ή αν υπήρχε θόρυβος στο παρασκήνιο, το σύστημα διέκοπτε απότομα.
Το GPT-Live επιλύει αυτά τα προβλήματα με τη Full-Duplex αρχιτεκτονική. Επεξεργάζεται συνεχόμενα τα δεδομένα εισόδου ενώ ταυτόχρονα παράγει ήχο. Όταν ο χρήστης μιλάει, το GPT-Live δείχνει ότι παρακολουθεί με μικρές επιφωνήσεις επιβεβαίωσης (“mhmm”, “yeah”, “got it”). Εάν ο χρήστης το διακόψει για να αλλάξει θέμα, η AI προσαρμόζεται ακαριαία, ακριβώς όπως ένας άνθρωπος.
Το GPT-Live ξεκινά άμεσα την παγκόσμια διάθεσή του στις πλατφόρμες iOS, Android και στο web. Για την ελληνική αγορά, η πρόσβαση διαμορφώνεται ως εξής:
Αξίζει να σημειωθεί η παρατήρηση της OpenAI σχετικά με την υποστήριξη γλωσσών: Παρότι το σύστημα έχει βελτιστοποιηθεί για πολλές δημοφιλείς γλώσσες (στις οποίες συμπεριλαμβάνεται παραδοσιακά η χώρα μας στα μοντέλα της OpenAI), ενδέχεται αρχικά το μοντέλο να εμφανίζει μη-φυσική προφορά ή μικρά κενά στη ροή κατά την ομιλία στα Ελληνικά, κάτι που θα βελτιώνεται συνεχώς.
Περισσότερες ειδήσεις
GPT-5.6 Sol: Νέα κατεύθυνση της OpenAI μετά το κυβερνητικό μπλόκο για την εθνική ασφάλεια
«Σπάει τα κοντέρ» το ChatGPT – Πάνω από 1 δισ. ενεργοί χρήστες μηνιαίως σε χρόνο ρεκόρ
SpaceX: Στα… σκαριά χρηματιστηριακό ντεμπούτο που θα μείνει στην ιστορία
