OpenAI hat GPT-Live vorgestellt, eine neue Reihe von Sprachmodellen, mit der sich ein Gespräch mit künstlicher Intelligenz wie ein echtes Telefonat zwischen zwei Menschen anfühlen soll. Das Unternehmen hat sie direkt in ChatGPT Voice integriert und damit begonnen, sie Nutzern weltweit zur Verfügung zu stellen. Die Neuerung basiert auf einer Architektur, die gleichzeitig zuhören und sprechen kann. Dadurch entfallen die abgehackten Pausen, an die sich Nutzer bei bisherigen Sprachassistenten gewöhnt haben.
Gleichzeitig zuhören und antworten
GPT-Live beherrscht beides zugleich. Während des Gesprächs signalisiert es mit kurzen Einwürfen wie „mhm“ oder „ja“, dass es zuhört, kann schnell und schlagfertig reagieren und ebenso still bleiben, wenn jemand einen Moment braucht, um seine Gedanken zu ordnen. Die Entwickler beschreiben das Ergebnis als eine Sprachumgebung, mit der sich überraschend leicht plaudern lässt.
Zugleich handelt es sich laut OpenAI um das bislang intelligenteste Sprachmodell des Unternehmens. Bei Anfragen, die eine Websuche, tiefergehendes Nachdenken oder eine komplexere Aufgabe erfordern, übergibt es die Arbeit im Hintergrund an ein leistungsfähigeres Modell und bringt das fertige Ergebnis zurück ins Gespräch, sobald es vorliegt. Währenddessen kann GPT-Live einfach weiter mit Ihnen sprechen, ohne die Unterhaltung zu unterbrechen. Zum Start nutzt es im Hintergrund das Modell GPT-5.5. Künftig will das Unternehmen dieses unterstützende Modell schrittweise durch neuere Modelle ersetzen.
Warum ältere Sprachsysteme so steif waren
Um zu verstehen, worin der Fortschritt besteht, lohnt sich ein Blick darauf, wie frühere Generationen funktionierten. Das erste ChatGPT Voice kombinierte drei separate Modelle. Eines wandelte Sprache in Text um, das zweite formulierte die Antwort und das dritte überführte sie wieder in gesprochene Sprache. Dadurch konnte man erstmals mit fortschrittlichen Modellen sprechen, doch die Komplexität hatte ihren Preis. Zwischen den einzelnen Komponenten gingen Informationen verloren, und die Antworten kamen langsam und unnatürlich.
Der später eingeführte erweiterte Sprachmodus löste dieses Problem teilweise. Er verarbeitete und erzeugte Audio in einem einzigen Modell und reagierte dadurch schneller und flüssiger. Dennoch arbeitete er weiterhin mit einzelnen Gesprächsbeiträgen. Das Modell musste warten, bis der Nutzer ausgesprochen hatte, und erkannte das Satzende anhand der Stille. Schon eine kurze Pause oder Umgebungsgeräusche reichten daher aus, damit der Assistent im falschen Moment ins Wort fiel.
Zwei Änderungen, die das Problem behoben haben
GPT-Live löst diese Schwierigkeiten mit zwei Eingriffen in die Modellarchitektur. Der erste ist die kontinuierliche Interaktion. Statt einer Abfolge getrennter Nachrichten verarbeitet es Eingaben und erzeugt Ausgaben gleichzeitig. Das Modell entscheidet daher mehrmals pro Sekunde, was es als Nächstes tun soll: sprechen, weiter zuhören, eine Pause machen, ins Wort fallen oder ein Werkzeug einsetzen. Neben einem natürlicheren Austausch ermöglicht dies dem Modell auch ein besseres Zeitgefühl und Übersetzungen in Echtzeit.
Die zweite Änderung trennt das eigentliche Gespräch von der anspruchsvolleren Arbeit. Wenn eine Anfrage eine Suche, logisches Denken oder ein eigenständigeres Vorgehen erfordert, leitet GPT-Live die Aufgabe an ein anderes Modell weiter, etwa GPT-5.5. Das Gespräch läuft dadurch weiter, auch wenn im Hintergrund mehrere Dinge gleichzeitig verarbeitet werden. Dieselbe Modellarchitektur ermöglicht es außerdem, jederzeit auf die neuesten Modelle zurückzugreifen und ihre Leistung mit einem flüssigen Gespräch zu verbinden.
Millionen Menschen nutzen ChatGPT Voice
Mehr als 150 Millionen Menschen sprechen jede Woche per Spracheingabe und Diktierfunktion mit ChatGPT. Sie nutzen es für alltägliche freihändige Unterstützung, zum Üben von Fremdsprachen, zum Erzählen von Gutenachtgeschichten oder einfach für ein Gespräch auf dem Weg zur Arbeit. Ab sofort erhalten sie nach dem Tippen auf die Voice-Schaltfläche eine von GPT-Live angetriebene Umgebung.
Das Gespräch soll stärker an eine echte Unterhaltung erinnern. Sie können den Assistenten mit einer Frage unterbrechen, eine Denkpause einlegen oder ihn bitten, langsamer zu sprechen. Mit kurzen Einwürfen signalisiert er von sich aus, dass er Ihnen zuhört. OpenAI hat für GPT-Live außerdem neun verschiedene Stimmen überarbeitet.
Wie gründlich die Antworten ausfallen, kann der Nutzer nun bis zu einem gewissen Grad selbst steuern. Dafür stehen drei Denkstufen zur Verfügung: „Sofort“ für schnelle Reaktionen sowie „Mittel“ und „Hoch“ für Situationen, in denen der Assistent mehr Zeit mit der Antwort verbringen soll. Auch das Zuhören wurde verbessert. Wenn Sie nachdenken, wartet ChatGPT, anstatt Ihnen ins Wort zu fallen. Wenn Sie es bitten, still zu sein, kommt es der Aufforderung nach. Und bei Lärm, etwa zwischen vorbeifahrenden Autos oder fremden Gesprächen, konzentriert es sich besser auf Ihre Stimme.
Hinzugekommen sind auch visuelle Antworten. Manche Dinge lassen sich besser sehen als hören, weshalb ChatGPT während des Gesprächs übersichtliche Karten zu Wetter, Aktien, Sport und weiteren Themen anzeigen kann. Darüber hinaus unterstützt der Sprachmodus weiterhin die Suche, die Erinnerungsfunktion, Bilder und das Hochladen von Dateien.
Sicherer für Nutzer
OpenAI betont, dass GPT-Live standardmäßig auf Sicherheit ausgelegt wurde. Zusätzlich zu den Sicherheitsfunktionen der neuesten Modelle setzte das Unternehmen auf ein spezialisiertes Training für sensible Bereiche und neue Schutzmechanismen, die eigens für Sprache entwickelt wurden. Die Tests wurden um audiobasierte Auswertungen und künstlich erzeugte Aufnahmen erweitert, mit denen die sensibelsten Themen besonders streng geprüft werden. Dazu gehören Selbstverletzung, Psychosen und Manien, emotionale Abhängigkeit von künstlicher Intelligenz, Gewalt sowie sexuelle Inhalte. Das Modell wurde außerdem einem sogenannten Red Teaming unterzogen, also einer gezielten Suche nach Schwachstellen, wobei der Schwerpunkt auf sprachspezifischen Risiken lag.
Da ein Sprachgespräch in Echtzeit stattfindet, hat das Unternehmen Schutzmechanismen entwickelt, die direkt eingreifen können, während das Modell spricht. Erkennt das System eine potenziell gefährliche Antwort, kann es das Modell zu einer sichereren Variante lenken, zusätzliche Hinweise oder Hilfsangebote anzeigen oder das Gespräch im Extremfall beenden. Bei Themen im Zusammenhang mit Selbstverletzung hat OpenAI seine Unterstützungsverfahren für Sprache angepasst, einschließlich des Angebots von durch Fachleute geprüften Krisenhotlines.
Für jugendliche Nutzer wurden besondere Schutzmechanismen eingeführt. Das Unternehmen hat direkt im Modell altersgerechtes Verhalten trainiert, um das Risiko unangemessener Antworten zu reduzieren. Eltern können über die Kindersicherung entscheiden, ob ihr jugendliches Kind ChatGPT Voice nutzen darf. In riskanteren Situationen mit Anzeichen für mögliche Selbstverletzung oder Suizidabsichten können sie benachrichtigt werden. OpenAI betont außerdem, dass das Modell der Konversation und nicht der Nachahmung von Stimmen dient. Es verwendet eine Reihe vorgegebener Stimmen sowie Schutzmechanismen, die verhindern, dass es die Stimme einer bestimmten Person imitiert.
Verfügbarkeit
Die Einführung für ChatGPT-Nutzer weltweit läuft bereits – auf iOS, Android und im Web unter ChatGPT.com. Für die Tarife Go, Plus und Pro wird GPT-Live-1 zum Standardmodell, während Nutzern der kostenlosen Version GPT-Live-1 mini zur Verfügung steht. OpenAI will beide Versionen bald auch Entwicklern über die API zugänglich machen. Interessierte können sich bereits jetzt über ein Formular auf der Website des Unternehmens für Benachrichtigungen anmelden.
