Главная идея GPT-Live — полностью изменить способ общения человека с ИИ. До сих пор практически все голосовые ассистенты работали по принципу: человек говорит ➡️ система ждет окончания речи ➡️ распознает ➡️ думает ➡️ отвечает. Это называется turn-based conversation.
GPT-Live переходит к модели continuous conversation. То есть ИИ:
➡️ слушает постоянно;
➡️ говорит одновременно;
➡️ может перебивать;
➡️ понимает паузы;
➡️ понимает, что пользователь еще не закончил мысль;
➡️ может во время своей речи продолжать анализировать информацию;
➡️ может одновременно искать информацию в интернете, думать и поддерживать разговор.
OpenAI называет это новым поколением voice-моделей.
По сути ChatGPT начинает вести себя не как чат-бот, а как живой собеседник.
Еще одна важная идея: GPT-Live — это уже не просто "озвученный GPT". Раньше схема выглядела так: речь ➡️ текст ➡️ LLM ➡️ текст ➡️ синтез речи. Теперь система представляет собой единый голосовой интеллект, который принимает решения прямо во время разговора.
Главные фишки технологии
1️⃣ Full-duplex разговор: это главное нововведение. GPT-Live умеет говорить, одновременно слушать пользователя, менять ответ прямо во время своей речи. Например, пользователь говорит "нет, подожди" — GPT уже во время своей фразы остановится и изменит ответ.
2️⃣ Понимание естественных пауз: GPT-Live умеет различать, когда человек думает, запнулся, закончил говорить. Если пользователь перебил модель — она сразу перестраивает разговор.
3️⃣ Естественные реакции: во время разговора GPT может использовать: "угу", "понятно", "секунду" и т.д.
4️⃣ Живой перевод: GPT-Live может работать как синхронный переводчик. Например, японец говорит японский, русский говорит русский — GPT переводит практически без задержек.
5️⃣ Одновременное мышление и разговор: во время ответа модель без пауз может выполнять web search и обращаться к инструментам.
Какие близкие аналоги?
📌 Google Gemini Live — ближайший конкурент. Модель работает на базе нативного аудио-ввода/вывода с минимальной задержкой и глубоко интегрирована в экосистему Google Workspace и Android.
📌 Sesame AI — один из самых впечатляющих голосовых стартапов последних лет. Главный акцент — максимально человеческая речь. Именно Sesame многие считали самым "живым" голосовым ИИ до появления GPT-Live.
📌 Hume AI — продвинутая система Empathic Voice Interface. Её фишка — распознавание более 48 видов человеческих эмоций по просодии (интонации, вздохам, дрожанию голоса).
💬 Тест Тьюринга. События в сфере ИИ. Подписаться