A OpenAI lançou o GPT-Live, um par de novos modelos de voz que aprimoram as interações com o ChatGPT, permitindo falar e ouvir simultaneamente, semelhante às conversas humanas. Os modelos, GPT-Live-1 e GPT-Live-1 mini, começaram a ser lançados globalmente em iOS, Android e ChatGPT.com no mesmo dia do lançamento. GPT-Live-1 servirá como modelo de voz padrão para usuários pagos, enquanto GPT-Live-1 mini é designado para usuários de nível gratuito. A OpenAI também planeja disponibilizar esses modelos via API para desenvolvedores.
Isso marca a terceira geração da tecnologia de voz do ChatGPT em dois anos, com a OpenAI visando criar uma experiência de usuário mais suave e mais natural do que simplesmente consultar um mecanismo de pesquisa. A principal inovação é a “arquitetura full-duplex”, que permite ao modelo processar continuamente o áudio recebido enquanto gera suas respostas faladas.
De acordo com a OpenAI, esta nova arquitetura permite decisões rápidas de interação, permitindo reconhecimentos de conversação como “mhmm” e “entendi” enquanto os usuários ainda estão falando, bem como gerenciando interrupções de forma mais eficaz. O modo de voz avançado anterior dependia de trocas por turnos que às vezes resultavam em interrupções estranhas devido a pausas curtas ou ruído de fundo.
No GPT-Live, as funções de interação por voz e raciocínio são separadas, permitindo que o sistema continue as conversas enquanto consultas complexas são delegadas a um modelo de backend, especificamente o GPT-5.5. Essa mudança visa facilitar uma experiência de interação mais fluida, permitindo que os agentes de voz executem tarefas como consultar bancos de dados sem interromper o fluxo da conversa. A OpenAI espera que esta mudança estrutural melhore as aplicações empresariais, permitindo interações mais complexas.
A OpenAI informou que mais de 150 milhões de usuários interagem com recursos de voz todas as semanas, refletindo a crescente importância das interações de voz em vários aplicativos, incluindo prática de idiomas e assistência viva-voz. O GPT-Live apresenta melhorias como cartões visuais que exibem informações contextuais e três níveis de raciocínio para respostas: Instantâneo, Médio e Alto.
A OpenAI implementou novas medidas de segurança para lidar com os riscos associados à interação de voz em tempo real. Estas incluem salvaguardas em tempo real para situações de alto risco e avaliações focadas na confiança emocional e outros perigos exclusivos da comunicação por voz. Em comparação com o Modo de Voz Avançado anterior, as pontuações de segurança melhoraram significativamente em várias categorias, como comportamento ilícito e automutilação.
Os concorrentes, incluindo Google, ByteDance e Nvidia, também estão avançando no campo da tecnologia de voz full-duplex. A OpenAI enfrenta desafios, incluindo suporte linguístico limitado e falta inicial de acesso à API, o que pode dificultar a sua penetração no mercado. Apesar desses obstáculos, a OpenAI pretende que o GPT-Live estabeleça a voz como uma interface primária para interações de IA, levando potencialmente a capacidades de gerenciamento de tarefas mais sofisticadas no futuro.
