انقلاب در مکالمه با هوش مصنوعی؛ GPT-Live آمد تا حرف بزند و گوش کند!
معرفی مدلهای صوتی GPT-Live؛ تحولی در مکالمه با هوش مصنوعی
شرکت OpenAI امروز بهطور رسمی مدلهای صوتی جدید خود را با نامهای GPT‑Live‑1 و نسخه سبکتر آن یعنی GPT‑Live‑1 mini معرفی کرد
. شرکت OpenAI معماری «فولدوپلکس» (Full-Duplex) را در این مدلها به کار گرفته است
و این معماری به سیستم اجازه میدهد همزمان به حرف کاربر گوش دهد و پاسخ دهد. این قابلیت جدید، مکالمه با چتبات را بسیار طبیعیتر میکند
و کاربر میتواند در هر لحظه پاسخ را قطع کرده
و سؤال جدیدی مطرح کند و این ویژگی تعامل را بسیار پویاتر و نزدیکتر به گفتوگوی واقعی میسازد.
معماری فولدوپلکس؛ تحولی در تعامل صوتی
OpenAI با معرفی GPT-Live به طور کامل معماری قبلی ChatGPT Voice را متحول کرده است
. سیستم قبلی از سه مدل مجزا تشکیل شده بود:
یک مدل برای تبدیل گفتار به متن، یک مدل زبان بزرگ برای تولید پاسخ، و یک مدل تبدیل متن به گفتار که پاسخ نهایی را ارائه میکرد.
این زنجیرهوار بودن باعث میشد اطلاعات بین مدلها از بین برود و پاسخها با تأخیر و بهصورت خشک ارائه شوند.
مدلهای جدید GPT-Live با دو تغییر اساسی در معماری، این محدودیتها را برطرف کردهاند:
۱. تعامل پیوسته (Continuous Interaction) : مدل GPT-Live از معماری فولدوپلکس بهره میبرد و در آن مدل همزمان با تولید خروجی، ورودی را نیز پردازش میکند.
این قابلیت به مدل اجازه میدهد در هر ثانیه چندین بار تصمیمگیری کند: اینکه آیا صحبت کند، به گوش دادن ادامه دهد، مکث کند، صحبت را قطع کند
یا از ابزارهای دیگر استفاده نماید. در نتیجه، مدل میتواند با کاربر تعامل طبیعیتری داشته باشد،
حس بهتری از زمانبندی مکالمه داشته باشد و حتی ترجمه همزمان را انجام دهد.
۲. تفویض کارهای عمیقتر (Delegation) : در طراحی جدید، OpenAI لایه تعامل صوتی را از لایه استدلال (Reasoning) جدا کرده است.
وقتی کاربر سؤالی میپرسد که نیاز به جستجوی وب، استدلال عمیقتر یا کارهای پیچیدهتر دارد،
GPT-Live این کار را به مدل GPT-5.5 واگذار میکند و در حین انجام این فرایند در پسزمینه، به مکالمه با کاربر ادامه میدهد و جریان گفتوگو را حفظ میکند
. این تغییر معماری به OpenAI امکان میدهد بدون نیاز به بازآموزی مدل صوتی، هوش پشت آن را بهروزرسانی کند.
دسترسی و نسخههای مختلف
OpenAI از امروز دو نسخه از مدل GPT-Live را بهصورت جهانی در دسترس کاربران ChatGPT قرار داده است:
GPT-Live-1 : این نسخه کاملتر و قدرتمندتر است و بهطور پیشفرض برای کاربران پرداختکننده (Go، Plus و Pro) در دسترس قرار میگیرد.
GPT-Live-1 mini : نسخه سبکتر و کارآمدتر این مدل است و کاربران رایگان ChatGPT بهعنوان مدل پیشفرض از آن استفاده میکنند.
این مدلها از امروز روی پلتفرمهای iOS، Android و وبسایت ChatGPT در دسترس کاربران قرار گرفتهاند
. OpenAI همچنین برنامه دارد به زودی این مدلها را از طریق API در اختیار توسعهدهندگان قرار دهد.
بهبودهای عملکردی چشمگیر
ارزیابیهای OpenAI نشان میدهد که مدلهای جدید GPT-Live عملکرد بهتری نسبت به Advanced Voice Mode قبلی دارند:
تعامل طبیعیتر : در مقایسههای رو در رو در مکالمات ۵ تا ۱۰ دقیقهای، GPT-Live-1 و GPT-Live-1 mini در معیارهایی مانند اولویت کلی
، نوبتگیری، قطع کردن، جریان مکالمه و طبیعی بودن هر تعامل، امتیاز بالاتری کسب کردهاند.
GPT-Live-1 با ۷۵.۷ درصد امتیاز، در اولویت کلی نسبت به Advanced Voice Mode برتری دارد.
استدلال علمی پیشرفته : در آزمون GPQA که توانایی استدلال علمی در سطح متخصص در زیستشناسی
، شیمی و فیزیک را میسنجد، GPT-Live-1 با ۸۴.۲ درصد در مقایسه با ۴۵.۳ درصد Advanced Voice Mode عملکرد بسیار بهتری داشته است.
جستجوی هوشمند وب : در آزمون BrowseComp که توانایی جستجوی عاملمحور وب را ارزیابی میکند،
GPT-Live-1 با ۷۵.۲ درصد در مقابل ۰.۷ درصد Advanced Voice Mode موفقیت چشمگیری داشته است.
امنیت و حریم خصوصی
OpenAI برای مدلهای جدید GPT-Live آزمایشهای ایمنی جامعی در نظر گرفته است.
این آزمایشها شامل ارزیابیهای بومی صوتی برای حوزههایی مانند خودآزاری، محتوای جنسی
، رفتارهای غیرقانونی، وابستگی عاطفی، سلامت روان و محتوای توهینآمیز بوده است.
در ارزیابیهای تولیدی، GPT-Live-1 در مقوله رفتارهای غیرقانونی امتیاز ایمنی را از ۰.۶۳ به ۰.۹۷ افزایش داده و در خودآزاری از ۰.۷۲ به ۰.۹۸ رسیده است
. همچنین در موضوع گفتارهای توهینآمیز، امتیاز به ۱.۰۰ (کامل) رسیده
که نسبت به ۰.۸۷ قبلی بهبود قابلتوجهی داشته است.
OpenAI همچنین سیستمهای حفاظتی لحظهای طراحی کرده
که در حین صحبت مدل، میتوانند به پاسخهای ایمنتر هدایت کنند
، منابع بحرانی را نمایش دهند یا در موقعیتهای پرخطر، مکالمه را بهکلی پایان دهند
. برای کاربران نوجوان نیز محافظتهای بیشتری در نظر گرفته شده
و در مکالمات مربوط به خودآزاری، پشتیبانی از خطوط بحران ارائه میشود.
چشمانداز آینده
Atty Eleti، مسئول محصول ChatGPT Voice،
در جلسه توجیهی خبری اعلام کرد که خودش در حین پیادهروی مکالمات ۳۰ تا ۴۰ دقیقهای با قابلیت صوتی ChatGPT داشته است
. این نشان میدهد که OpenAI به دنبال تغییر نقش صدا از یک قابلیت ساده به رابط اصلی محاسبات است.
در حال حاضر، GPT-Live از قابلیتهای بصری مانند نمایش کارتهای اطلاعاتی برای موضوعاتی مانند آبوهوا،
سهام و ورزش پشتیبانی میکند
. همچنین قابلیت ترجمه همزمان در این نسخه وجود دارد، اگرچه در برخی زبانها مانند هندی، لهجه آمریکایی سنگینی دارد که نیاز به بهبود دارد
. OpenAI تأکید کرده است
که بهینهسازی برای «بیشتر زبانهای رایج» انجام شده و بهتدریج کیفیت تعامل در زبانهای مختلف بهبود خواهد یافت.
