Ще недавно розмова з ChatGPT голосом нагадувала рацію: сказав слово — відпустив кнопку — почекав — почув відповідь. OpenAI випустила нову голосову модель GPT-Live, і головна її властивість проста для опису, хоч і складна технічно: вона вміє слухати й говорити одночасно, а не по черзі. Це не косметичне пришвидшення старого голосового режиму — під капотом інша архітектура всього голосового асистента, і нижче розберемо, що конкретно змінилось і чому це відчувається інакше в живій розмові.
Чим GPT-Live відрізняється від старої Advanced Voice Mode
Щоб зрозуміти, що нового в GPT-Live, варто спершу згадати, як працював голосовий асистент ChatGPT раніше. Найперша версія голосового режиму (до Advanced Voice Mode) насправді не була однією моделлю — це були три окремі моделі, з’єднані в ланцюжок: одна розпізнавала вашу мову і перетворювала її на текст, друга генерувала текстову відповідь, третя перетворювала цей текст назад у звук. Робоче, але вразливе рішення: на кожній передачі даних між цими трьома ланками трохи губилась інтонація, емоційний відтінок, паузи — те, що робить голос живим, а не механічним начитуванням.
Advanced Voice Mode, що прийшов на зміну цій трипрохідній схемі, вже був однією моделлю, яка обробляє звук напряму — без проміжного перетворення в текст. Але навіть він працював по чергах, тобто «half-duplex»: модель терпляче чекала, поки ви повністю замовкнете, після паузи вирішувала, що ви договорили, і тільки тоді починала генерувати й озвучувати відповідь. На практиці це означало ту саму знайому проблему рації — якщо ви замовкли на секунду, щоб підібрати слово чи просто подумати, ChatGPT міг вирішити, що черга перейшла до нього, і почати відповідати, перебиваючи вашу думку на середині.
Що змінює full-duplex архітектура
GPT-Live прибирає саме це обмеження — він працює в режимі full-duplex, тобто одночасного двостороннього звуку, як у звичайному телефонному дзвінку між двома людьми. Технічно це одна модель, яка безперервно приймає звук на вході й одночасно, без затримки на «чекати своєї черги», може генерувати звук на виході. Якщо перекласти це на людську мову: тепер ChatGPT здатен одночасно слухати вас і видавати короткі звуки-підтвердження у відповідь — «ага», «угу» — точнісінько так, як робить жива людина в розмові, поки співрозмовник ще не договорив свою думку до кінця. Модель також навчена відчувати паузу-роздум і мовчки почекати, замість того щоб сприймати будь-яку тишу як сигнал «тепер моя черга говорити».
Практичний ефект цього — розмова перестає бути серією окремих реплік «питання-відповідь» і починає нагадувати живий діалог із накладеннями, реакціями й природним ритмом, де співрозмовника не потрібно щоразу дочікувати до крапки.
Коли розмова «заглиблюється» — GPT-Live підключає важчу модель
Друга важлива ідея, закладена в GPT-Live, — розділення ролей між моделями замість того, щоб одна модель відповідала за все. GPT-Live спеціалізується саме на живому діалозі: швидкі реакції, природний ритм, розпізнавання емоційних нюансів голосу. Але коли розмова доходить до питання, яке вимагає, наприклад, пошуку свіжої інформації в інтернеті чи багатокрокових роздумів (порахувати щось складне, зіставити кілька фактів), GPT-Live непомітно для вас передає саме цю задачу «важчій», флагманській моделі (на старті це GPT-5.5), а сам тим часом продовжує підтримувати розмову — коментує, реагує, тримає контакт — поки та модель рахує у фоні.
Практичний ефект: ви не почуєте характерної тиші й фрази на кшталт «зачекайте, я думаю» — з вашого боку розмова просто триває без видимих затримок, а вся важка обчислювальна робота відбувається паралельно, за лаштунками, і вливається в розмову вже готовим результатом.
Що GPT-Live дає на практиці
- Голосовий режим тепер показує візуальні картки прямо під час розмови: скажіть ChatGPT «яка завтра погода», і поки він відповідає голосом, на екрані з’явиться візуальна картка з температурою й іконкою погоди — так само працює і для курсів акцій, і для розкладу матчів. Раніше голосовий режим був чисто аудіо — тепер він поєднав голос із картинкою, що робить відповідь швидшою й зручнішою для сприйняття.
- OpenAI випустила дві версії моделі: GPT-Live-1 доступна на платних тарифах (Plus/Pro/Go) і вважається повноцінною версією, а GPT-Live-1 mini — легша й швидша версія, яка йде за замовчуванням усім, хто користується безкоштовним тарифом ChatGPT. Це типовий підхід OpenAI: спочатку давати найкращу версію платним користувачам, а потім поступово відкривати спрощену версію всім іншим.
- OpenAI окремо підкреслює, що модель почала краще розпізнавати ваш голос на фоні шуму — наприклад, якщо ви говорите на вулиці чи в кав’ярні — і не встряє в розмову, поки ви думаєте вголос або робите паузу, щоб підібрати слово.
Підводні камені
GPT-Live — не ідеальне рішення, і варто знати, де воно поки що шкутильгає. Перше: функція поки не працює разом із відео чи демонстрацією екрана — тобто не можна одночасно показати ChatGPT свій екран і вести голосову розмову про те, що ви бачите. OpenAI обіцяє, що ця можливість з’явиться «найближчим часом», але точної дати не назвала.
Друге: якщо ви спілкуєтеся англійською чи іншою поширеною мовою, GPT-Live вас здивує. А для менш поширених мов модель може говорити з помітним акцентом чи робити паузи там, де носій мови їх не робить — технологія ще навчається на менших обсягах даних.
І третє, найцікавіший нюанс: у власній оцінці OpenAI GPT-Live отримав трохи нижчий бал за показником «емоційної прив’язаності» — 0,82 проти 0,88 у старого Advanced Voice Mode. Цей показник OpenAI використовує, щоб відстежити, наскільки користувачі схильні емоційно прив’язатися до голосового асистента — компанія свідомо слідкує за цим після критики щодо того, що голосові асистенти можуть створювати нездорову прихильність. Хоча компанія й називає цю різницю статистично незначущою, сам факт, що такий показник взагалі вимірюють і публікують, каже про те, наскільки серйозно OpenAI ставиться до питання емоційної залежності від чат-ботів. І, звісно, це не означає, що ChatGPT став «живим співрозмовником» у повному сенсі — просто затримка та ритм розмови стали ближчими до людських, ніж будь-коли раніше.
Голосовий ШІ довго був тим кутом ChatGPT, де найбільше відчувалась штучність — паузи не вчасно, перебивання невчасно, голос без інтонацій. GPT-Live не вирішує це на 100%, але вперше розмова з ботом перестає звучати як розмова по рації.
Джерело: OpenAI — Introducing GPT-Live
