OpenAI حالت پیشرفته صوتی ChatGPT را با مدل‌های تمامدوسویه GPT-Live جایگزین می‌کند

OpenAI در ۸ ژوئیه از GPT-Live رونمایی کرد؛ مجموع‌های از دو مدل صوتی جدید — GPT-Live-1 و GPT-Live-1 mini — که قادرند همزمان بشنوند و سخن بگویند و جایگزین حالت پیشرفته صوتی قدیمیتر ChatGPT برای بیش از ۱۵۰ میلیون کاربر در سراسر جهان شدهاند.

خط لوله صوتی پیشین، مراحل مجزای تبدیل گفتار به متن، مدل زبانی و تبدیل متن به گفتار را به یکدیگر پیوند میزد. هر بار انتقال میان این مراحل، تأخیر را افزایش میداد و سیستم را از پاسخده‌ی طبیعی به قطع صحبت‌ها در میانه جمله ناتوان میساخت. GPT-Live هر سه مرحله را در یک مدل واحد ادغام می‌کند که صوت خام را در زمان واقعی پردازش می‌کند؛ درست همانگونه که یک انسان در طول مکالمه مشارکت فعال دارد و برای پردازش مکث نمی‌کند.

GPT-Live دقیقاً چه می‌کند

این سیستم از نوبت‌گیری طبیعی در مکالمه پشتیبانی می‌کند — از جمله علائم کلامی تأییدی مانند «اوهوم» یا سکوت در هنگام فکر کردن کاربر — و می‌تواند مکالماتی به مدت ۳۰ تا ۴۰ دقیقه را ادامه دهد که بهبودی چشمگیر نسبت به تجربه صوتی پیشین است. هنگامی که پرسش کاربر نیازمند جستجو در وب، استدلال عمیق‌تر یا کار‌های پیچیده عاملمحور باشد، GPT-Live درخواست را در پسزمینه به GPT-5.5 ارجاع می‌دهد و نتیجه را بدون وقف‌های محسوس در مکالمه صوتی میگنجاند. قالب‌بندی بصری نیز پشتیبانی می‌شود: مدل‌ها می‌توانند اطلاعات را به صورت متن یا خروجی ساختاریافته در کنار پاسخ گفتاری، روی صفحه نمایش دهند.

مکانیزم‌های ایمنی تعبیه‌شده بهطور خودکار پاسخ‌های متناسب با سن را برای کاربران نوجوان اعمال میکنند و هنگامی که مکالمات به موضوعاتی مانند خودآزاری میپردازد، منابع کمکی ارائه می‌دهند.

عرضه و دسترسی

هماکنون GPT-Live-1 mini تجربه صوتی پیشفرض برای تمامی کاربران ChatGPT است. مشترکان سطوح پولی به GPT-Live-1 دسترسی دارند که مدل بزرگ‌تر با عملکرد قوی‌تر در وظایف پیچیده است. OpenAI هر دو مدل را برای پرگویشترین زبان‌ها در سطح جهانی بهینه‌سازی کرده است.

در جریان رونمایی، قابلیت ترجمه زنده نیز به نمایش درآمد؛ هرچند دمو زبان هندی به دلیل لهجه غلیظ آمریکایی و بیان غیرطبیعیاش توجه‌ها را به خود جلب کرد — یادآوری‌کننده این نکته که کیفیت ترجمه در لحظه هنوز فضای قابلتوجه‌ی برای بهبود دارد.

چرا این موضوع اهمیت دارد

OpenAI صوت را به عنوان «رابط اصلی رایانش» برای کار‌های طولانی و پیچیده توصیف می‌کند؛ رویکردی که GPT-Live را نه به عنوان یک ویژگی، بلکه به عنوان یک زیرساخت مطرح می‌سازد. بیش از ۱۵۰ میلیون نفر هماکنون از طریق قابلیت‌های صوتی و دیکته با ChatGPT تعامل دارند. OpenAI با ارائه یک مدل تمامدوسویه بهعنوان پیشفرض برای همه کاربران — و نه صرفاً در یک سطح ویژه — بهطور ساختاری بر این باور شرط بسته است که تعامل مبتنی بر صوت با هوش مصنوعی برای استفاده عمومی آماده است.

این تغییر همچنین سطح رقابت را برای Gemini Live متعلق به Google، لایه صوتی Apple Intelligence و سایر محصولات هوش مصنوعی صوتی که همچنان در حال توسعه قابلیت‌های مشابه هستند، افزایش می‌دهد.

همانطور که نخستین بار TechCrunch گزارش کرد، GPT-Live-1 mini متعلق به OpenAI هماکنون برای تمامی کاربران فعال است و GPT-Live-1 نیز در حال عرضه به مشترکان پولی میباشد.