OpenAI představil GPT-Live, novou řadu hlasových modelů, se kterou má rozhovor s umělou inteligencí připomínat opravdový hovor mezi dvěma lidmi. Firma ho rovnou nasadila do ChatGPT Voice a začala ho zpřístupňovat uživatelům po celém světě. Novinka stojí na architektuře, která dokáže naslouchat a mluvit ve stejnou chvíli. Odpadají tak trhané pauzy, na které si uživatelé u dosavadních hlasových asistentů zvykli.
Poslech a odpověď současně
GPT-Live zvládá obojí naráz. Během hovoru dává najevo, že vnímá, krátkými vsuvkami typu „mhmm" nebo „jo", umí rychle a pohotově zareagovat a stejně tak dokáže zůstat zticha, když si člověk potřebuje na chvíli srovnat myšlenky. Autoři popisují výsledek jako hlasové prostředí, se kterým se povídá překvapivě snadno.
Zároveň jde podle OpenAI o jejich dosud nejchytřejší hlasový model. U dotazů, které si žádají vyhledávání na webu, hlubší přemýšlení nebo složitější úkol, předá práci na pozadí výkonnějšímu modelu a hotový výsledek vrátí zpět do hovoru, jakmile je připravený. Mezitím s vámi GPT-Live klidně mluví dál a konverzaci nepřeruší. Při startu využívá na pozadí model GPT-5.5, do budoucna chce firma tento podpůrný model postupně nahrazovat novějšími modely.
Proč byly starší hlasové systémy tak strnulé
Aby bylo jasné, v čem je posun, stojí za to připomenout, jak fungovaly předchozí generace. První ChatGPT Voice spojoval tři samostatné modely. Jeden přepisoval řeč na text, druhý vymýšlel odpověď a třetí ji zase převáděl zpět do mluvené podoby. Díky tomu se dalo poprvé mluvit s pokročilými modely, jenže složitost si vybrala daň. Mezi jednotlivými díly se ztrácely informace a odpovědi přicházely pomalu a nepřirozeně.
Pokročilý hlasový režim, který přišel později, tohle zčásti vyřešil. Zpracovával i vytvářel zvuk v jediném modelu, takže reagoval rychleji a plynuleji. Pořád ale fungoval po jednotlivých replikách. Model musel počkat, až uživatel domluví, a konec věty poznával podle ticha. Stačila tak krátká pauza nebo hluk kolem a asistent naskočil do řeči v nevhodnou chvíli.
Dvě změny, které to spravily
GPT-Live řeší tyhle potíže dvěma zásahy do stavby modelu. Ten první je právě nepřetržitá interakce. Místo posloupnosti oddělených zpráv zpracovává vstup a tvoří výstup souběžně. Model se proto mnohokrát za sekundu rozhoduje, co udělá dál. Zda promluvit, dál poslouchat, udělat pauzu, skočit do řeči nebo sáhnout po nějakém nástroji. Vedle přirozenější výměny to modelu umožňuje i lepší vnímání času a překlad v přímém přenosu.
Druhá změna oddělila samotnou konverzaci od té náročnější práce. Když dotaz vyžaduje vyhledávání, uvažování nebo samostatnější postup, GPT-Live úkol pošle jinému modelu, třeba GPT-5.5. Rozhovor tím pádem běží dál, i když se na pozadí zpracovává víc věcí najednou. Stejná stavba modelu zároveň dovoluje kdykoliv sáhnout po nejnovějších modelech a spojit jejich výkon s plynulým povídáním.
ChatGPT Voice používají miliony lídí
S ChatGPT si každý týden povídá přes hlas a diktování víc než 150 milionů lidí. Používají ho k běžné pomoci bez rukou, k procvičování cizích jazyků, k vyprávění pohádek na dobrou noc nebo jen na pokec cestou do práce. Od teď dostanou po klepnutí na tlačítko Voice prostředí poháněné GPT-Live.
Rozhovor má víc připomínat skutečnou konverzaci. Asistenta můžete přerušit dotazem, udělat si pauzu na rozmyšlenou nebo ho poprosit, ať zpomalí. Sám dává krátkými vsuvkami najevo, že vás poslouchá. OpenAI kvůli GPT-Live navíc předělal devět různých hlasů.
Chytřejší odpovědi si teď uživatel může do jisté míry řídit sám. K dispozici jsou tři úrovně uvažování. Instantní pro rychlé reakce, střední a vysoká pro chvíle, kdy má asistent nad odpovědí strávit víc času. Zlepšilo se i naslouchání. Když se zamyslíte, ChatGPT počká, místo aby vám skočil do řeči. Když ho požádáte, ať je zticha, poslechne. A v hluku, třeba mezi projíždějícími auty nebo cizími hovory, se lépe soustředí na váš hlas.
Přibyly také obrazové odpovědi. Některé věci se totiž hodí spíš vidět než slyšet, a tak během hovoru umí ChatGPT ukázat přehledné karty k počasí, akciím, sportu a dalším tématům. Hlas vedle toho dál zvládá vyhledávání, paměť, obrázky i nahrávání souborů.
Bezpečnější pro uživatele
OpenAI zdůrazňuje, že GPT-Live navrhl jako bezpečný ve výchozím nastavení. Vedle bezpečnostních prvků z nejnovějších modelů přidal specializovaný trénink v citlivých oblastech a nové pojistky vytvořené přímo pro hlas. Testování rozšířil o vyhodnocení postavená na zvuku a o uměle vytvořené nahrávky, které tvrdě prověřují nejcitlivější témata. Patří sem sebepoškozování, psychóza a mánie, citová závislost na umělé inteligenci, násilí i sexuální obsah. Model prošel i takzvaným red-teamingem, tedy cíleným hledáním slabin, se zaměřením na rizika jedinečná pro hlas.
Protože hlasový hovor běží v reálném čase, vytvořila firma pojistky, které mohou zasáhnout přímo ve chvíli, kdy model mluví. Rozpozná-li systém potenciálně nebezpečnou odpověď, může model nasměrovat k bezpečnější variantě, ukázat další sdělení či pomocné zdroje, nebo v krajním případě hovor ukončit. U témat spojených se sebepoškozováním OpenAI upravil své postupy podpory pro hlas, včetně nabídky krizových linek ověřených odborníky.
Zvláštní pojistky dostali dospívající uživatelé. Přímo do modelu firma natrénovala chování odpovídající věku, aby snížila riziko nevhodných odpovědí. Rodiče přes rodičovskou kontrolu rozhodnou, jestli jejich dospívající dítě smí ChatGPT Voice používat, a v rizikovějších situacích se známkami možného sebepoškozování nebo sebevražedných úmyslů mohou dostat upozornění. OpenAI také zdůrazňuje, že model slouží ke konverzaci, ne k napodobování hlasu. Používá sadu předem daných hlasů a pojistky, které mu brání imitovat hlas konkrétního člověka.
Dostupnost
Nasazování už běží pro uživatele ChatGPT po celém světě, a to na iOS, Androidu i na webu ChatGPT.com. Pro tarify Go, Plus a Pro se výchozím modelem stává GPT-Live-1, uživatelům bezplatné verze poslouží GPT-Live-1 mini. OpenAI chce brzy obě verze zpřístupnit i vývojářům přes API, zájemci se už teď mohou přihlásit k odběru oznámení přes formulář na webu firmy.
