OpenAI publikon modele të reja zanore për biseda të drejtpërdrejta më natyrale
OpenAI publikoi sot modele të reja bisedore, të quajtura GPT-Live-1 dhe GPT-Live-1 mini, duke pretenduar se ato tingëllojnë më natyrshëm dhe mund ta përballojnë më mirë radhën e të folurit. Këto janë modele full-duplex, që do të thotë se mund të flasin dhe të dëgjojnë në të njëjtën kohë, duke u lejuar përdoruesve të ndërpresin natyrshëm dhe duke aktivizuar funksione si përkthimi i drejtpërdrejtë.
Kompania po zëvendëson gjithashtu Modalitetin e saj aktual të Zërit të Avancuar në ChatGPT me GPT-Live-1 mini si parazgjedhje. Përdoruesit e niveleve me pagesë do të jenë në gjendje të hyjnë në modelin më të madh GPT-Live-1. Modeli i mëparshëm kombinonte një model të të folurit në tekst për të transkriptuar të folurit, një model të madh gjuhësor për të gjeneruar përgjigje dhe një model të të folurit në tekst për të dhënë përgjigjen përfundimtare.
Kompania tha në një konferencë për shtyp se modelet e reja zgjidhin probleme të tilla si ndërprerja e përdoruesve ndërsa ata janë duke folur dhe mungesa e inteligjencës së mjaftueshme për t’iu përgjigjur pyetjeve. Modelet e reja të OpenAI do ta dërgojnë pyetjen te modelet e saj më të fundit të tekstit si GPT-5.5 për kërkim, arsyetim ose aftësi agjentike ndërsa vazhdon bisedën.
OpenAI tregoi gjithashtu se modeli mund të qëndrojë i heshtur për një kohë të gjatë dhe të përthithë kontekstin e bisedës derisa të thirret. Plus, meqenëse modaliteti i ri i zërit ka qasje në modelet më të reja GPT, ai gjithashtu mund të paraqesë disa informacione në një format vizual. Startup-e të tjera si Monogram, të cilat mblodhën 40 milionë dollarë në financim fillestar nga DST dhe Lux Capital, po mbështeten gjithashtu në përgjigjet vizuale për t’i bërë asistentët më interaktivë.
Kompania tha se modaliteti i ri zanor në ChatGPT është projektuar për të zhvilluar biseda më të gjata. Gjatë informimit, drejtuesi i produktit të ChatGPT Voice, Atty Eleti, tha se ka pasur biseda 30 deri në 40 minuta të gjata me funksionin zanor gjatë shëtitjeve.
OpenAI mendon se zëri mund të jetë ndërfaqja kryesore për informatikën për punë komplekse. Raportet kanë sugjeruar se mund të lançojë një palë kufje me aftësi të inteligjencës artificiale këtë vit. Megjithatë, nuk dha asnjë informacion mbi produktet harduerike.
“Me kalimin e kohës, mendojmë se kjo do të zhbllokojë gjithashtu mundësinë për të përdorur zërin si një lloj ndërfaqeje kryesore për informatikën dhe për të menaxhuar punë agjentike gjithnjë e më komplekse dhe afatgjatë. Lloji i rasteve të mahnitshme të përdorimit që shohim njerëz duke përdorur Codex dhe ChatGPT për të arritur, mendojmë se zëri mund të jetë ndërfaqja e së ardhmes për të gjitha llojet e punës”, tha Eleti.
OpenAI ka punuar në forcimin e veçorive të bazuara në zë gjatë viteve të fundit për ta bërë modalitetin zanor të ChatGPT të tingëllojë më natyral. Kompania tha se më shumë se 150 milionë njerëz flasin me ChatGPT duke përdorur veçori si Zëri dhe Diktimi.
Rivalët po përpiqen gjithashtu t’i bëjnë asistentët më ekspresivë.
Si Apple ashtu edhe Amazon i kanë përditësuar asistentët e tyre për të qenë më të lehtë për të folur dhe me një trajtim më të mirë të kontekstit. Startup-e si Sesame , e themeluar nga bashkëthemeluesi i Oculus Brendan Iribe dhe Ankit Kumar, gjithashtu lançuan asistentë të inteligjencës artificiale me bisedë më natyrale ndërsa kryenin detyra në sfond.
OpenAI po lëviz në të njëjtin drejtim, duke synuar t’u lejojë përdoruesve të flasin me asistentin e saj pa përdorur duart për një kohë më të gjatë. Pavarësisht pretendimit të saj se modaliteti i ri i zërit tingëllon më natyral, kompania theksoi se nuk synon ta bëjë këtë një shoqërues të IA-së. Ajo vuri në dukje se modelet e reja kanë mbrojtje të integruara për t’u dhënë përgjigje të përshtatshme për moshën adoleshentëve dhe për të ofruar burime nëse biseda kthehet në tema si vetëlëndimi.
Modaliteti i ri zanor ka ende nevojë për përmirësim. Gjatë demonstrimit, kur kompania tregoi funksionin e përkthimit të drejtpërdrejtë në gjuhën hindi, asistenti kishte një theks të fortë amerikan dhe fliste në gjuhën hindi që tingëllonte jonormale dhe kishte një ton paksa të dhënë pas librave. Kompania tha se modaliteti i ri është i optimizuar për “shumicën e gjuhëve të folura”, por nuk specifikoi se cilat janë ato.