OpenAI je 8. jula predstavio GPT-Live, novu generaciju glasovnih modela koja zamenjuje podrazumevani glasovni režim u ChatGPT-u. Prema navodima kompanije, ključna promena jeste to što model može da sluša i govori istovremeno, umesto da čeka da sagovornik završi rečenicu pre nego što odgovori. OpenAI tvrdi da razgovor sa asistentom time postaje bliži razgovoru dvoje ljudi nego smeni pitanja i odgovora.
Kompanija je saopštila da se GPT-Live od utorka pušta korisnicima ChatGPT-a širom sveta, na iOS-u, Androidu i na sajtu ChatGPT.com. Pristup preko programerskog interfejsa (API) još nije otvoren, a firme i razvojni timovi mogu da se prijave da budu obavešteni kada bude dostupan. OpenAI navodi da više od 150 miliona ljudi nedeljno koristi ChatGPT kroz glas i diktiranje, pa je reč o funkciji koja dodiruje veliki deo korisničke baze.
Šta zapravo radi full-duplex glas
Dosadašnji glasovni asistenti, uključujući raniji režim u ChatGPT-u, radili su naizmenično. Korisnik govori, sistem sluša, pa tek onda uzvraća. Takva razmena zvuči korektno na papiru, ali u praksi stvara pauze i preklapanja koja razgovor čine krutim. GPT-Live je, kako OpenAI objašnjava, građen na takozvanoj full-duplex arhitekturi, što znači da audio ulaz i izlaz teku istovremeno. Model može da ubaci kratku potvrdu poput hm ili da, da upadne sa pitanjem ili da jednostavno ćuti dok sagovornik razmišlja.
Te sitne reakcije, koje u lingvistici nose naziv povratni signali, u ljudskom razgovoru služe da pokažu pažnju i da drže ritam. OpenAI ih navodi kao glavni razlog zbog kojeg GPT-Live deluje prisnije od prethodnika. Kompanija istovremeno ne tvrdi da model razume sagovornika na način na koji to čini čovek, već da bolje oponaša tok govorne interakcije.
Prekid kao funkcija, ne kao greška
Jedna od praktičnih posledica ovakve arhitekture jeste da korisnik može da prekine asistenta usred rečenice, a da model to ne doživi kao smetnju, nego kao znak da promeni pravac. To je bliže načinu na koji ljudi razgovaraju, gde se upadanje u reč retko smatra kvarom komunikacije. Ostaje pitanje koliko će sistem uspešno razlikovati namerni prekid od pozadinske buke, pošto GPT-Live po prirodi stvari mora stalno da osluškuje okolinu.
Dve verzije za dve grupe korisnika
OpenAI je model podelio na dve varijante. GPT-Live-1 je podrazumevani izbor za korisnike koji plaćaju pretplatu, dok GPT-Live-1 mini dobijaju korisnici besplatnog naloga. Manja verzija je, kako se navodi, lakša i jeftinija za pokretanje, pa je pogodna za masovnu upotrebu, dok veća cilja na tečniji i sadržajniji razgovor. Kompanija za sada nije objavila detaljne tehničke pokazatelje kašnjenja ni cenu za budući API, tako da se poređenje sa konkurencijom oslanja pretežno na demonstracije, a ne na nezavisna merenja.
Kada glas ne zna odgovor
GPT-Live nije zamišljen kao model koji sve rešava sam. Za pitanja koja traže pretragu weba, dublje rezonovanje ili složeniji zadatak, glasovni sloj prosleđuje upit najnovijem naprednom modelu u pozadini, a rezultat vraća u razgovor kada bude gotov. U međuvremenu, kako navodi OpenAI, asistent može da nastavi da priča i da održi tok, umesto da korisnik čeka u tišini. Ta podela posla, brzi glasovni sloj napred i sporiji ali sposobniji model pozadi, postala je uobičajen obrazac u ovoj generaciji asistenata.
Sa druge strane, upravo takva podela otvara prostor za nesklad. Ako brzi sloj popuni pauzu improvizovanim odgovorom dok napredni model još računa, korisnik može da dobije dve donekle različite verzije istog odgovora u razmaku od nekoliko sekundi. OpenAI za sada nije objavio koliko često dolazi do takvih neslaganja.
Prevod uživo i jezici regiona
Sposobnost da model sluša i govori u isto vreme posebno je značajna za prevod uživo, gde svaka pauza kvari utisak razgovora. OpenAI je prevod naveo kao jednu od glavnih namena nove arhitekture. Za govornike jezika sa Balkana to bi u praksi značilo mogućnost da vode razgovor sa nekim ko govori drugi jezik bez naizmeničnog zaustavljanja, ali kvalitet zavisi od toga koliko je model uvežban na srpskom, hrvatskom, bosanskom i drugim jezicima regiona. Kompanija nije objavila spisak podržanih jezika ni ocenu tačnosti po jeziku, pa realan domet za domaće korisnike ostaje da se proveri u upotrebi.
Šira slika i konkurencija
GPT-Live stiže u trenutku kada se najveće laboratorije nadmeću upravo oko glasa kao sledećeg interfejsa. Google gura Gemini Live u istom pravcu, a slične funkcije najavljuju i drugi. Glas se pokazao kao način da asistent uđe u situacije u kojima kucanje smeta, od vožnje do kuvanja, pa kompanije u njemu vide put do češće, dnevne upotrebe. Poslovni ulog je jasan. Što je razgovor prirodniji, to korisnik duže ostaje u aplikaciji.
Uz to ide i niz otvorenih pitanja. Model koji stalno osluškuje pokreće razgovor o privatnosti i o tome šta se čuva i obrađuje. Sposobnost da zvuči ljudski postavlja pitanje granice između korisnog alata i utiska bliskosti koji nije zaslužen. OpenAI navodi da napredne zadatke i dalje obavlja odvojeni model, čime priznaje da sam glasovni sloj nije tu da bude nepogrešiv, nego da bude prijatan za razgovor. Koliko će ta ravnoteža izdržati u svakodnevnoj upotrebi pokazaće naredne nedelje, kako funkcija bude stizala do svih korisnika.
Često postavljana pitanja
Šta je GPT-Live?
To je nova generacija glasovnih modela kompanije OpenAI, predstavljena 8. jula, koja zamenjuje dosadašnji glasovni režim u ChatGPT-u. Glavna odlika je što model može da sluša i govori u isto vreme.
Ko može da ga koristi i gde?
OpenAI navodi da se pušta korisnicima ChatGPT-a širom sveta, na iOS-u, Androidu i sajtu ChatGPT.com. Pretplatnici dobijaju verziju GPT-Live-1, a besplatni nalozi GPT-Live-1 mini. Pristup preko API-ja još nije otvoren.
Po čemu se razlikuje od ranijeg glasovnog režima?
Raniji režim radio je naizmenično, po principu pitanje pa odgovor. GPT-Live koristi full-duplex arhitekturu, pa može da ubaci kratku potvrdu, da upadne ili da ćuti, i podnosi prekid usred rečenice bez zastoja.
Da li model sve rešava sam?
Ne. Za pretragu weba i složenije zadatke glasovni sloj prosleđuje upit naprednijem modelu u pozadini i vraća rezultat u razgovor, dok u međuvremenu nastavlja da priča.
