OpenAI lanserar GPT-Live-röstmodeller för smidigare ChatGPT-interaktion

OpenAI lanserade på onsdagen GPT-Live-arkitekturen, som markant förbättrar ChatGPT:s röstfunktioner. De nya modellerna, GPT-Live-1 och GPT-Live-1 mini, möjliggör samtidig lyssning och tal, vilket efterliknar det naturliga flödet i mänskliga samtal.

GPT-Live-1 är standardmodellen för betalande ChatGPT-användare, medan GPT-Live-1 mini är avsedd för gratisanvändare. Modellerna rullas ut globalt på olika ChatGPT-plattformar. Detta är den tredje generationen av ChatGPT:s röstteknologi på cirka två år, och syftet är att göra AI:n mindre som en sökmotor och mer som en samtalspartner.

Teknikens centrala innovation är användningen av en full-duplex-arkitektur. Detta innebär att AI:n kontinuerligt kan bearbeta inkommande tal samtidigt som den genererar sitt eget svar, utan stela turordningsbyten. Modellen kan reagera på naturliga pauser eller till och med avbryta på ett organiskt sätt, vilket förbättrar samtalets flyt och minskar onaturliga avbrott.

GPT-Live separerar även röstinteraktionen från resonemangsförmågan. Enkla uppgifter hanteras direkt, medan mer komplexa förfrågningar, som webbsökningar eller djupare analyser, delegeras till avancerade modeller som körs i bakgrunden, som GPT-5.5. Detta gör det möjligt för AI:n att fortsätta konversera med användaren medan beräkningar utförs i bakgrunden, vilket bibehåller en naturlig och oavbruten konversation.

Den nya arkitekturen representerar en övergång från den tidigare tre-stegs-pipelinen (taligenkänning, språkmodell, talsyntes), som orsakade fördröjningar och informationsförlust. GPT-Lives modulära design ger företag och utvecklare nya möjligheter att bygga smartare och mer naturliga röstapplikationer. OpenAI planerar även att göra modellerna tillgängliga via API.