Până acum, sistemul de voce al ChatGPT combina un model de recunoaștere a vorbirii (speech-to-text) pentru a transcrie cuvintele, un model de limbaj mare (LLM) pentru a genera răspunsuri și un model de sinteză vocală (text-to-speech) pentru a livra răspunsul final. Într-o conferință de presă, OpenAI a explicat că noile modele rezolvă probleme precum întreruperea utilizatorilor în timp ce vorbesc sau lipsa de inteligență suficientă pentru a răspunde corect la întrebări complexe.
Noile modele trimit interogările către cele mai recente modele de text, cum ar fi GPT-5.5, pentru căutare, raționament sau capabilități agentice, în timp ce conversația continuă. OpenAI a demonstrat că modelul poate rămâne tăcut o perioadă lungă de timp, absorbind contextul conversației, până când este solicitat să intervină. În plus, deoarece noul mod vocal are acces la modele GPT mai noi, poate prezenta și informații în format vizual. Alte startup-uri, precum Monogram – care a strâns 40 de milioane de dolari în seed funding de la DST și Lux Capital – se îndreaptă și ele către răspunsuri vizuale pentru a face asistenții mai interactivi.
Compania a declarat că noul mod vocal din ChatGPT este conceput pentru conversații mai lungi. În cadrul briefingului, Atty Eleti, product lead pentru ChatGPT Voice, a spus că a avut conversații de 30-40 de minute cu funcția vocală în timpul plimbărilor. OpenAI consideră că vocea ar putea deveni interfața principală pentru calculatoare în cazul sarcinilor complexe. Unele rapoarte sugerează că OpenAI ar putea lansa anul acesta o pereche de căști cu capabilități AI. Cu toate acestea, compania nu a oferit informații despre produse hardware.
„În timp, credem că acest lucru va debloca și capacitatea de a folosi vocea ca un fel de interfață principală pentru calculatoare și de a gestiona sarcini agentice din ce în ce mai complexe și de lungă durată. Tipurile de cazuri de utilizare uimitoare pe care le vedem oamenii realizând cu Codex și ChatGPT – credem că vocea poate fi interfața viitorului pentru tot felul de munci”, a spus Eleti.
OpenAI a lucrat în ultimii ani la îmbunătățirea funcțiilor bazate pe voce pentru a face modul vocal al ChatGPT să sune mai natural. Compania a declarat că peste 150 de milioane de oameni vorbesc cu ChatGPT folosind funcții precum Voice și Dictation. Atât Apple, cât și Amazon și-au actualizat asistenții pentru a fi mai conversaționali și a gestiona mai bine contextul. Startup-uri precum Sesame, fondat de co-fondatorul Oculus, Brendan Iribe, și Ankit Kumar, au lansat, de asemenea, asistenți AI cu conversații mai naturale, care pot îndeplini sarcini în fundal. OpenAI se îndreaptă în aceeași direcție, urmărind să permită utilizatorilor să vorbească cu asistentul său fără mâini pentru o perioadă mai lungă de timp.
În ciuda afirmației că noul mod vocal sună mai natural, compania a subliniat că nu își propune să transforme acest lucru într-un companion AI. A menționat că noile modele au măsuri de siguranță integrate pentru a oferi răspunsuri adecvate vârstei adolescenților și pentru a oferi resurse dacă conversația atinge subiecte precum auto-vătămarea.
Noul mod vocal mai are nevoie de îmbunătățiri. În timpul demonstrației, când compania a prezentat funcția de traducere live în hindi, asistentul avea un accent american puternic și vorbea într-un hindi care suna nenatural, cu un ton ușor livresc. Compania a spus că noul mod este optimizat pentru „cele mai vorbite limbi”, dar nu a specificat care.
De ce este important:
Această lansare marchează un pas semnificativ în evoluția interfețelor vocale AI. Prin eliminarea întârzierilor și a întreruperilor artificiale, OpenAI face un pas către o interacțiune om-mașină cu adevărat naturală. Dacă vocea devine interfața principală pentru sarcini complexe, s-ar putea schimba fundamental modul în care lucrăm, învățăm și comunicăm cu tehnologia. În plus, competiția acerbă dintre OpenAI, Apple, Amazon și startup-uri precum Sesame va accelera inovația, aducând asistenți vocali mai inteligenți și mai empatici în viața de zi cu zi. Rămâne de văzut cât de bine vor gestiona aceste modele diversitatea lingvistică și culturală, dar direcția este clară: viitorul este vorbit.
