OpenAI je predstavo nove konverzacijske modele pod nazivom GPT-Live-1 i GPT-Live-1 mini. Prema tvrdnjama tvrtke, novi modeli zvuče prirodnije i uspješnije upravljaju izmjenama govornika u razgovoru. Riječ je o takozvanim full-duplex modelima, što znači da mogu istovremeno govoriti i slušati, omogućujući korisnicima da prirodno prekinu asistenta usred rečenice, a otvaraju i prostor za napredne značajke poput prevođenja uživo.

U sklopu ove nadogradnje, OpenAI zamjenjuje svoj dosadašnji Advanced Voice Mode unutar ChatGPT-a modelom GPT-Live-1 mini, koji postaje zadana opcija. Korisnici plaćenih pretplata dobit će pristup većem i moćnijem modelu GPT-Live-1.

Tehnološki zaokret i rješavanje dosadašnjih problema

Prethodna generacija glasovnog načina rada oslanjala se na spajanje triju zasebnih sustava: modela za pretvaranje govora u tekst (speech-to-text), velikog jezičnog modela koji generira tekstualni odgovor te modela za pretvaranje teksta u govor (text-to-speech).

Predstavnici tvrtke istaknuli su kako novi modeli rješavaju probleme koji su mučili prijašnju tehnologiju, poput nepoželjnog prekidanja korisnika dok govore i nedostatka inteligencije za odgovaranje na kompleksnija pitanja. Novi glasovni sustav prosljeđuje upite najnovijim tekstualnim modelima, kao što je GPT-5.5, kako bi obavio pretraživanje, logičko zaključivanje (reasoning) ili izvršio agentske zadatke, dok se sam razgovor odvija bez prekida.

Tijekom prezentacije demonstrirane su i mogućnosti dugotrajne tišine i konteksta gdje model može dulje vrijeme šutjeti i upijati kontekst okoline ili razgovora sve dok ga se ponovno ne pozove, kao i vizualni prikaz informacija gdje zbog pristupa najnovijim GPT modelima, asistent sada može prikazati dio informacija i u vizualnom formatu na zaslonu.

Iz OpenAI-ja navode da je novi glasovni mod dizajniran za dulje razgovore. Atty Eleti, voditelj proizvoda za ChatGPT Voice, izjavio je kako je tijekom šetnji osobno vodio razgovore s asistentom u trajanju od 30 do 40 minuta.

Glas kao primarno računalno sučelje

U OpenAI-ju vjeruju da bi glas s vremenom mogao postati primarno sučelje za upravljanje računalima i rješavanje složenih, dugotrajnih agentskih zadataka. Iako su se u javnosti pojavila izvješća da tvrtka ove godine planira lansirati vlastite bežične slušalice s ugrađenom umjetnom inteligencijom, službenih informacija o hardverskim proizvodima na brifingu nije bilo.

Prema podacima koje je iznio OpenAI, više od 150 milijuna ljudi već koristi njihove glasovne značajke i diktiranje, izvještava Tech Crunch.

Ograničenja i sigurnosne mjere

Unatoč tvrdnjama o prirodnijem tonu, OpenAI naglašava kako im cilj nije stvoriti 'AI suputnika' iliti asistenta za emocionalnu povezanost, zato što bi ih to vjerojatno odvuklo na još jedno suđenje. U modele su ugrađeni sigurnosni mehanizmi koji tinejdžerima pružaju odgovore prilagođene njihovoj dobi te nude resurse za pomoć ako se u razgovoru pojave teme poput samoozljeđivanja.

Tehnologija, međutim, i dalje pokazuje određene nedostatke. Tijekom demonstracije značajke prevođenja uživo na hindi jezik, asistent je govorio s naglašenim američkim naglaskom, a sam jezik zvučao je neprirodno. Iz tvrtke su poručili da je novi model optimiziran za 'većinu svjetskih jezika s najvećim brojem govornika', no nisu precizirali o kojim je točno jezicima riječ.