به گزارش انجمن دیجیتال مارکتینگ، شرکت OpenAI از نسل تازه مدلهای صوتی خود با نام GPT-Live رونمایی کرده است؛ فناوری جدیدی که هدف آن ایجاد تجربهای طبیعیتر، سریعتر و شبیهتر به گفتوگوی انسانی میان کاربران و هوش مصنوعی است. این مدل صوتی جدید قرار است شیوه تعامل کاربران با ChatGPT Voice را تغییر دهد و مکالمه با هوش مصنوعی را از حالت پرسش و پاسخ ساده، به یک گفتوگوی پویا و تعاملی نزدیکتر کند.
GPT-Live با معماری جدیدی طراحی شده است که امکان گوش دادن و صحبت کردن همزمان را فراهم میکند. این قابلیت باعث میشود ChatGPT بتواند مانند یک انسان واقعی در جریان مکالمه واکنش نشان دهد؛ برای مثال زمانی که کاربر در حال فکر کردن است، مکث کند، هنگام دنبال کردن صحبتها با واکنشهایی مانند «هوم» یا «متوجه شدم» همراهی کند و در مکالمات سریع رفتوبرگشتی عملکرد طبیعیتری داشته باشد.
این تحول میتواند نقطه عطفی در مسیر توسعه دستیارهای صوتی هوشمند باشد؛ زیرا یکی از بزرگترین چالشهای گذشته در ارتباط صوتی با هوش مصنوعی، تأخیر، قطع شدن صحبتها و غیرطبیعی بودن ریتم مکالمه بود.
GPT-Live چیست و چه تفاوتی با مدلهای صوتی قبلی دارد؟
GPT-Live نسل جدید مدلهای صوتی OpenAI است که برای تعامل پیوسته و طبیعی میان انسان و هوش مصنوعی ساخته شده است. برخلاف نسلهای قبلی که مکالمه را در قالب نوبتهای جداگانه پردازش میکردند، GPT-Live میتواند جریان گفتوگو را بهصورت مداوم تحلیل کند.
در مدلهای قدیمیتر، سیستم ابتدا صدای کاربر را به متن تبدیل میکرد، سپس مدل زبانی پاسخ را تولید میکرد و در نهایت متن پاسخ دوباره به صدا تبدیل میشد. این فرآیند چندمرحلهای باعث افزایش تأخیر و از دست رفتن بخشی از اطلاعات احساسی و زمانی مکالمه میشد.
اما GPT-Live با استفاده از معماری تمامدوطرفه یا Full Duplex، میتواند ورودی و خروجی صوتی را به شکل همزمان پردازش کند. این موضوع باعث میشود مکالمه سریعتر، روانتر و شبیهتر به تعامل انسانی باشد.
معماری تمامدوطرفه؛ راز مکالمه طبیعی GPT-Live
یکی از مهمترین ویژگیهای GPT-Live، معماری تمامدوطرفه آن است. در این روش، مدل مجبور نیست منتظر پایان کامل صحبت کاربر بماند و سپس پاسخ خود را آغاز کند.
این فناوری به هوش مصنوعی اجازه میدهد در هر لحظه تصمیم بگیرد که آیا باید صحبت کند، به گوش دادن ادامه دهد، مکث کند یا از ابزارهای دیگر استفاده کند. نتیجه این قابلیت، مکالمهای است که کمتر شبیه تعامل با یک ماشین و بیشتر شبیه صحبت با یک فرد واقعی احساس میشود.
تشخیص بهتر زمان صحبت و سکوت
یکی از مشکلات مدلهای صوتی قبلی، تشخیص اشتباه پایان صحبت کاربر بود. در بسیاری از مواقع یک مکث کوتاه یا صدای پسزمینه باعث میشد سیستم تصور کند کاربر صحبت خود را تمام کرده است و پاسخ خود را آغاز کند.
GPT-Live با درک بهتر جریان مکالمه میتواند تفاوت میان سکوت کوتاه، فکر کردن کاربر و پایان واقعی صحبت را تشخیص دهد. این قابلیت باعث میشود تجربه گفتوگو طبیعیتر شود.
GPT-Live چگونه از مدلهای پیشرفتهتر برای پاسخهای پیچیده استفاده میکند؟
یکی دیگر از تغییرات مهم در معماری GPT-Live، جدا کردن وظایف مکالمهای از پردازشهای پیچیدهتر است. این مدل برای حفظ سرعت گفتوگو، تعامل مستقیم با کاربر را مدیریت میکند؛ اما اگر یک درخواست نیازمند جستوجوی وب، استدلال عمیق یا پردازشهای پیچیده باشد، آن را به مدلهای پیشرفتهتر مانند GPT-5.5 ارجاع میدهد.
در این فرآیند، GPT-Live همچنان ارتباط خود را با کاربر حفظ میکند و پس از آماده شدن نتیجه، پاسخ کامل را وارد مکالمه میکند. این روش باعث میشود کاربران همزمان از سرعت بالا و هوشمندی بیشتر بهرهمند شوند.
تجربه جدید ChatGPT Voice با GPT-Live
با عرضه GPT-Live، قابلیت صوتی ChatGPT وارد مرحله جدیدی میشود. کاربران اکنون میتوانند مکالمههایی طبیعیتر داشته باشند، سؤالهای خود را در میان صحبت مطرح کنند، از ChatGPT بخواهند آهستهتر صحبت کند یا حتی از آن بخواهند فقط گوش دهد.
OpenAI همچنین اعلام کرده است که صدای ChatGPT برای هماهنگی بهتر با این مدل جدید بهینهسازی شده تا تجربه شنیداری طبیعیتر و جذابتری ایجاد شود.
پاسخهای هوشمندتر در حالت صوتی
یکی از مزیتهای مهم GPT-Live این است که ChatGPT Voice میتواند در زمان نیاز از مدلهای پیشرفتهتر برای پاسخگویی استفاده کند. کاربران میتوانند بسته به نیاز خود، بین سرعت پاسخگویی یا سطح استدلال بیشتر انتخاب کنند.
برای پرسشهای ساده، حالت سریع مناسب است؛ اما برای موضوعات پیچیدهتر مانند تحلیل داده، تحقیق یا حل مسائل تخصصی، مدل میتواند زمان بیشتری برای فکر کردن اختصاص دهد.
قابلیت نمایش اطلاعات بصری در کنار مکالمه صوتی
یکی دیگر از تغییرات مهم ChatGPT Voice، امکان نمایش سریع اطلاعات بصری هنگام مکالمه است. این قابلیت باعث میشود پاسخهایی مانند وضعیت آبوهوا، اطلاعات بازار، نتایج ورزشی یا دادههای مرتبط با موضوع گفتوگو به شکل کارتهای تصویری نمایش داده شوند.
ترکیب صدا و تصویر میتواند تجربه کاربری را به شکل قابل توجهی بهبود دهد؛ زیرا برخی اطلاعات تنها با نمایش بصری بهتر قابل درک هستند.
ارزیابی عملکرد GPT-Live در مقایسه با نسل قبلی
طبق اعلام OpenAI، ارزیابیهای انسانی نشان دادهاند که کاربران در مکالمههای چنددقیقهای، مدلهای GPT-Live-1 و GPT-Live-1 mini را بیشتر از حالت صوتی پیشرفته قبلی ترجیح دادهاند.
این ارزیابیها مواردی مانند طبیعی بودن مکالمه، زمانبندی پاسخها، نحوه نوبتگیری و میزان روان بودن تعامل را بررسی کردهاند.
همچنین در آزمونهایی مانند سنجش استدلال علمی، جستوجوی عاملمحور در وب و وظایف صوتی چندمرحلهای، GPT-Live عملکرد بهتری نسبت به مدلهای صوتی قبلی داشته است.
ایمنی و حریم خصوصی در GPT-Live
OpenAI اعلام کرده است که GPT-Live با تمرکز ویژه بر ایمنی طراحی شده است. این سیستم علاوه بر بهرهگیری از آموزشهای ایمنی مدلهای جدید، دارای سازوکارهای اختصاصی برای تعاملات صوتی است.
این سازوکارها حوزههایی مانند خودآزاری، وابستگی عاطفی به هوش مصنوعی، خشونت و محتوای حساس را بررسی میکنند و در صورت شناسایی شرایط پرخطر، میتوانند پاسخهای ایمنتر ارائه دهند یا منابع حمایتی مناسب معرفی کنند.
همچنین GPT-Live برای تقلید صدای افراد واقعی طراحی نشده است و از مجموعهای از صداهای از پیش تعیینشده استفاده میکند تا خطر سوءاستفاده از فناوری شبیهسازی صدا کاهش پیدا کند.
زمان عرضه GPT-Live و دسترسی کاربران
عرضه GPT-Live بهصورت تدریجی برای کاربران ChatGPT در سراسر جهان آغاز شده است. این مدل برای کاربران نسخههای مختلف ChatGPT در دسترس قرار میگیرد و قرار است در آینده از طریق API نیز در اختیار توسعهدهندگان و سازمانها قرار گیرد.
با این حال، برخی قابلیتها مانند مکالمه همراه با ویدیو یا اشتراکگذاری صفحه در زمان عرضه اولیه فعال نیستند و OpenAI اعلام کرده است که روی اضافه کردن این امکانات در آینده کار میکند.
آینده تعامل انسان و هوش مصنوعی با GPT-Live
ظهور GPT-Live نشان میدهد مسیر توسعه هوش مصنوعی به سمت تعاملهای طبیعیتر و انسانیتر حرکت میکند. آینده دستیارهای هوشمند دیگر تنها به پاسخ دادن محدود نخواهد بود؛ بلکه این سیستمها باید بتوانند جریان گفتوگو را درک کنند، نیاز کاربران را پیشبینی کنند و مانند یک همراه دیجیتال واقعی عمل کنند.
به باور کارشناسان حوزه فناوری، موفقیت مدلهایی مانند GPT-Live به توانایی آنها در ایجاد تعادل میان هوشمندی، سرعت، امنیت و تجربه انسانی وابسته است. انجمن دیجیتال مارکتینگ نیز با بررسی روندهای نوین فناوری و هوش مصنوعی، اهمیت این تحول را در آینده ارتباط انسان و ماشین مورد توجه قرار میدهد.
