GPT-Live-1 в API: гласовите асистенти вече могат да слушат, докато говорят

Говориш с автоматичен асистент, сещаш се за важна подробност и го прекъсваш. Той обаче довършва отговора си, сякаш нищо не си казал. Точно такива моменти правят много гласови ботове уморителни за използване.

С GPT-Live-1 OpenAI се опитва да промени този ритъм. На 10 септември компанията отвори модела през API, така че разработчици да го вграждат в собствени приложения и работни процеси. Моделът е представен по-рано в ChatGPT; новината сега е достъпът за външни продукти и контролът върху поведението му.

Какво означава да слуша и говори едновременно

GPT-Live-1 е full-duplex модел. Казано по-просто, той обработва входящата и изходящата реч заедно, вместо разговорът задължително да следва строго редуване: ти говориш, машината чака, после отговаря.

Много традиционни решения свързват разпознаване на реч, езиков модел и синтез на глас. При всяко прехвърляне може да се натрупа забавяне или да се загуби част от естествения ритъм. Тук слушането и говоренето са в един модел. Според OpenAI това подобрява реакциите при прекъсвания, кратки потвърждения, паузи и фонов шум.

За нас най-смисленият тест е съвсем човешки: можеш ли спокойно да си довършиш мисълта? В ранни оценки на езиковата платформа Speak прекъсванията по време на паузи за размисъл са намалели с почти 80% спрямо предишни системи с редуване на репликите. Това е резултат, съобщен от конкретен клиент, а не универсална гаранция за всяко приложение.

Гласът не върши сам цялата работа

Разработчиците могат да задават тон, темпо и разговорен стил чрез системните инструкции. По-сложното разсъждение и използването на инструменти могат да се делегират на отделен текстов модел, включително модел на друг доставчик. Така разговорът може да продължава, докато на заден план се извършва друга работа.

Представи си асистент за резервации: чува уточнението ти, а свързаната система проверява наличните часове. OpenAI показва приложение при Yelp Host и посочва поддръжка на телефонни разговори. Други възможни сценарии са обслужване на клиенти и езикови упражнения.

Но наличието на приятен глас не означава, че асистентът има право да променя поръчка или да потвърждава плащане. Според нас качественият продукт трябва ясно да отделя разговора от разрешените действия и да предлага прехвърляне към човек, когато е необходимо.

Какво всъщност струва

Обявената цена е 0,05 щатски долара на минута за гласовия слой. Това не е крайна цена за цялостен телефонен асистент. Отделно трябва да се отчетат избраните модели, инструменти и останалите компоненти на конкретната реализация.

OpenAI разширява избора на гласове, акценти, диалекти и езици. В разгледаното съобщение обаче няма достатъчно конкретика, за да обещаем определено качество на български. За български бизнес бихме започнали с тестове с реални имена, адреси, числа и шумна среда, а не само с гладко подготвен демонстрационен разговор.

Важната промяна е по-естественото общуване, не отпадането на проверките. Когато ботът звучи убедително, дори става още по-важно действията и отговорите му да бъдат надеждни.