Hlasová komunikace s umělou inteligencí prochází jednou z největších změn od spuštění ChatGPT. OpenAI představilo nové modely GPT-Live, které dokážou uživatele poslouchat a současně mluvit, lépe rozpoznají pauzu na přemýšlení a zvládnou na pozadí řešit složité úkoly. Novinka se nyní začíná dostávat k uživatelům po celém světě.
Konverzace s hlasovými asistenty měla dlouhé roky jeden zásadní problém. Bez ohledu na to, jak inteligentní byl systém ukrytý na pozadí, samotný rozhovor stále připomínal komunikaci s počítačem. Uživatel položil otázku, asistent čekal na konec věty, následovalo krátké ticho a teprve poté přišla odpověď.
OpenAI chce nyní tento způsob komunikace změnit. Společnost představila novou generaci hlasových modelů označovanou jako GPT-Live, která přináší zásadně přepracovaný způsob hlasové interakce s ChatGPT.
Největší změnou přitom není kvalitnější zvuk ani několik nových hlasů. GPT-Live je postavený na odlišné technologické architektuře, díky které může umělá inteligence průběžně sledovat konverzaci a reagovat na ni podobně jako člověk.
Konec nepříjemného čekání na odpověď
Dosavadní hlasové systémy byly založeny na střídání jednotlivých replik. Nejprve mluvil člověk a umělá inteligence poslouchala. Jakmile systém vyhodnotil, že uživatel domluvil, začal připravovat vlastní odpověď.
Tento způsob fungování přinášel řadu nepříjemných situací. Pokud se člověk během věty na chvíli odmlčel, aby si rozmyslel další slova, systém mohl pauzu považovat za konec otázky a začít odpovídat.
Podobný problém mohl způsobit hluk na ulici, další lidé v místnosti nebo jednoduše pomalejší způsob mluvení. GPT-Live funguje jinak. OpenAI použilo plně duplexní architekturu, díky které může model současně přijímat zvukový vstup a vytvářet vlastní výstup. Jednoduše řečeno, ChatGPT vás může poslouchat i ve chvíli, kdy sám mluví.
Umělá inteligence rozhoduje mnohokrát za sekundu
GPT-Live nevnímá konverzaci pouze jako sérii samostatných otázek a odpovědí. Průběžně sleduje její vývoj a mnohokrát za sekundu rozhoduje, jak má reagovat. Může pokračovat v poslouchání, začít odpovídat, udělat pauzu, nechat se uživatelem přerušit nebo spustit některý z dostupných nástrojů.
Právě tato změna má způsobit, že rozhovor s ChatGPT bude působit výrazně přirozeněji. Pokud například během vyprávění přemýšlíte a na několik sekund se odmlčíte, ChatGPT by měl poznat, že jste ještě neskončili. Místo okamžité odpovědi může jednoduše počkat. Během delšího vyprávění navíc dokáže krátkými reakcemi jako „mhmm“, „ano“ nebo „rozumím“ naznačit, že vás stále poslouchá.
ChatGPT může konverzovat a současně pracovat
Možná ještě důležitější změna se odehrává na pozadí celého systému. OpenAI oddělilo samotnou hlasovou komunikaci od řešení složitých úkolů. GPT-Live se tak může soustředit na rychlou a přirozenou konverzaci, zatímco náročnější práci převezme jiný model. Pokud například položíte otázku vyžadující vyhledávání na internetu, složitější uvažování nebo práci s dalšími nástroji, GPT-Live může úkol předat modelu GPT-5.5. Zásadní je, že samotná konverzace během této doby nemusí skončit.
GPT-Live s vámi může pokračovat v rozhovoru, zatímco výkonnější model na pozadí vyhledává informace nebo řeší zadaný problém. Jakmile dokončí svou práci, výsledek se vrátí zpět do konverzace. OpenAI navíc plánuje modely pracující na pozadí postupně měnit. GPT-Live tak nebude trvale spojený pouze s jednou generací umělé inteligence, ale může v budoucnosti využívat novější a výkonnější modely.
První ChatGPT Voice potřeboval tři různé modely
Rozsah technologického posunu nejlépe ukazuje porovnání s původní verzí hlasového režimu ChatGPT. První generace používala tři oddělené systémy. Jeden model převedl hlas uživatele na text, další vytvořil odpověď a třetí ji následně převedl zpět do mluvené podoby.
Šlo o funkční řešení, které však mělo řadu omezení. Každý další krok přinášel určité zpoždění a při předávání informací mezi jednotlivými modely mohlo docházet ke ztrátě některých detailů. Pozdější Advanced Voice Mode dokázal pracovat přímo se zvukem v rámci jednoho modelu, díky čemuž byly rozhovory rychlejší a plynulejší. Stále však zůstával princip střídání jednotlivých replik. Model musel čekat, až uživatel dokončí svou část rozhovoru. GPT-Live toto omezení odstraňuje.
Výsledky testování ukazují výrazné zlepšení
OpenAI nové modely porovnávalo s dosavadním Advanced Voice Mode prostřednictvím několika různých testů. Při hodnocení několikaminutových konverzací lidé preferovali GPT-Live-1 před dosavadním hlasovým režimem v 75,7 % případů. Menší model GPT-Live-1 mini získal preferenci 69,2 %.
Hodnocena nebyla pouze kvalita odpovědí. Testování se zaměřilo také na celkovou příjemnost rozhovoru, střídání mluvčích, přerušování, plynulost a přirozenost komunikace. Nové modely však zaznamenaly výrazný posun také v testech zaměřených na inteligenci.
GPT-Live zvládá výrazně lépe vědecké otázky
V benchmarku GPQA, který testuje schopnost řešit náročné otázky z biologie, chemie a fyziky, dosahoval Advanced Voice Mode přesnosti 45,3 %. GPT-Live-1 mini získal 74,9 %. Výkonnější GPT-Live-1 dosáhl podle zvolené úrovně uvažování výsledků 76,5 %, 81,7 % a v nejvyšším režimu dokonce 84,2 %.
Ještě výraznější rozdíly se objevily při vyhledávání informací. V testu BrowseComp získal původní Advanced Voice Mode pouze 0,7 %. GPT-Live-1 mini dosáhl 31,6 % a nejvýkonnější varianta GPT-Live-1 se dostala na 75,2 %. Nový hlasový režim tak nemá být pouze příjemnější na používání. Ve spojení s výkonnějšími modely dokáže také řešit výrazně náročnější úlohy.
Rychlá odpověď, nebo důkladnější přemýšlení
Uživatelé si mohou v novém ChatGPT Voice zvolit, kolik času má systém věnovat uvažování. Pro běžné otázky je připravený instantní režim zaměřený na rychlost. Pokud však řešíte složitější problém, můžete využít střední nebo vysokou úroveň uvažování. V takovém případě dostane model více času na zpracování problému a přípravu kvalitnější odpovědi.
OpenAI tím řeší jeden z dlouhodobých problémů hlasových asistentů. Lidé při běžné konverzaci očekávají okamžité reakce, zároveň ale chtějí využívat schopnosti nejvýkonnějších modelů, jejichž odpověď může vyžadovat delší dobu. GPT-Live kombinuje obě možnosti. Rychlá hlasová vrstva zajišťuje konverzaci, zatímco složitější práce může probíhat samostatně na pozadí.
ChatGPT bude lépe poslouchat i v hlučném prostředí
OpenAI zapracovalo také na používání hlasového režimu mimo tiché místnosti. GPT-Live se má lépe soustředit na hlas konkrétního uživatele a omezit vliv okolních zvuků. Projíždějící auta, konverzace dalších lidí nebo běžný hluk by tak neměly hlasový režim rušit tak často jako dříve.
Uživatel navíc může ChatGPT výslovně požádat, aby pouze poslouchal. Model by měl takový pokyn respektovat a počkat, dokud nedostane prostor k odpovědi. Zlepšit se má rovněž možnost přerušování. Pokud během odpovědi ChatGPT položíte další otázku nebo chcete změnit téma, konverzace by měla pokračovat podstatně přirozenějším způsobem.
Hlasová konverzace už nebude pouze o zvuku
Nový ChatGPT Voice dokáže během hovoru zobrazovat také vizuální informace. Pokud se například zeptáte na počasí, sportovní utkání, akcie nebo místa ve svém okolí, mohou se přímo na displeji objevit informační karty s odpovídajícím obsahem.
Uživatel tak nemusí hlasovou konverzaci ukončovat a následně hledat informace v samostatné aplikaci nebo webovém prohlížeči. ChatGPT může pokračovat v rozhovoru a současně zobrazovat informace, které je praktičtější vidět než pouze slyšet. Nadále zůstává podporováno také internetové vyhledávání, paměť, práce s obrázky a nahrávání souborů.
OpenAI přepracovalo devět hlasů
Součástí změn je také úprava devíti hlasů dostupných v ChatGPT. Podle OpenAI byly hlasy remasterovány tak, aby lépe využívaly schopnosti GPT-Live a působily přirozenějším dojmem.
Model dokáže reagovat na pokyny týkající se způsobu komunikace. Uživatel jej může například požádat, aby zpomalil, nechal více času na odpověď nebo se během rozhovoru choval jiným způsobem. Právě možnost přizpůsobovat průběh konverzace konkrétní situaci může být jednou z největších výhod nového systému.
Více než 150 milionů lidí používá hlasové funkce každý týden
Hlasová komunikace už dávno není okrajovou funkcí ChatGPT. OpenAI uvádí, že Voice a Diktování používá každý týden více než 150 milionů lidí. Někteří využívají hlasového asistenta při práci, jiní během cestování nebo řízení. ChatGPT slouží k procvičování cizích jazyků, vyprávění příběhů dětem, získávání informací nebo jednoduše k běžné konverzaci. S dalším rozvojem umělé inteligence může význam hlasové komunikace ještě výrazně vzrůst. Pro běžného člověka je totiž mnohem přirozenější vysvětlit složitý problém vlastními slovy než přemýšlet nad přesnou formulací textového příkazu.
Mohlo by vás zajímat
GPT-Live přináší také nové bezpečnostní mechanismy
Hlasová komunikace s umělou inteligencí přináší specifická rizika, a proto OpenAI společně s GPT-Live představilo také nová bezpečnostní opatření. Společnost vytvořila testy zaměřené přímo na audio a rizikové oblasti, jako jsou sebepoškozování, psychóza, mánie, emoční závislost na umělé inteligenci, násilí nebo sexuální obsah. Protože model generuje odpovědi v reálném čase, mohou ochranné mechanismy zasáhnout přímo během probíhajícího rozhovoru.
Pokud systém rozpozná potenciálně nebezpečnou situaci, může změnit směr odpovědi, zobrazit bezpečnostní informace nebo v nejrizikovějších případech konverzaci ukončit. Další ochranné prvky jsou určené dospívajícím uživatelům a jejich rodičům.
ChatGPT nebude kopírovat hlas skutečných lidí
OpenAI upozorňuje také na problém napodobování konkrétních osob. GPT-Live je navržený jako konverzační systém, nikoli jako nástroj pro kopírování lidských hlasů. ChatGPT proto používá předem vytvořené hlasy a obsahuje ochranné mechanismy, které mají bránit imitování skutečných lidí.
Společnost chce bezpečnost systému sledovat také po jeho uvedení mezi uživatele. Zvláštní pozornost bude věnovat dlouhodobému používání a možné emoční závislosti na umělé inteligenci.
Kdo nový GPT-Live dostane
OpenAI začíná GPT-Live postupně zpřístupňovat uživatelům po celém světě. Novinka míří na iOS, Android a webovou verzi ChatGPT. GPT-Live-1 bude výchozím hlasovým modelem pro předplatitele tarifů Go, Plus a Pro. Uživatelé bezplatné verze dostanou GPT-Live-1 mini. OpenAI zároveň upozorňuje, že kvalita se může mezi jednotlivými jazyky lišit. GPT-Live byl při uvedení optimalizován především pro nejpoužívanější jazyky ChatGPT.
U některých jazyků se tak může objevit méně přirozená výslovnost, cizí přízvuk nebo problémy s plynulostí. Při spuštění nebude GPT-Live podporovat současné používání hlasu s videem nebo sdílením obrazovky. OpenAI však uvádí, že na zpřístupnění těchto možností pracuje. Uživatelé, kteří video nebo sdílení obrazovky potřebují, mohou nadále využívat předchozí verze ChatGPT Voice, ve kterých tyto funkce zůstávají dostupné.
GPT-Live ukazuje budoucnost komunikace s umělou inteligencí
Nejdůležitější na celém představení GPT-Live nakonec nemusí být kvalitnější hlas ani lepší výsledky v testech. Podstatná je změna samotného principu komunikace mezi člověkem a umělou inteligencí. Dosud jsme byli zvyklí zadat otázku, počkat na její zpracování a následně získat odpověď. GPT-Live se snaží tento způsob používání počítačů opustit.
Mohlo by vás zajímat
Umělá inteligence nově může poslouchat, mluvit, reagovat na přerušení a současně pomocí dalších modelů pracovat na složitějších úkolech. Pokud se bude tato technologie dále zlepšovat, může se hlas postupně stát jedním z hlavních způsobů ovládání umělé inteligence. Člověk nebude muset přemýšlet nad správnými příkazy nebo strukturou promptu. Jednoduše vysvětlí, co potřebuje, bude pokračovat v rozhovoru a AI se postará o práci na pozadí. GPT-Live je tak mnohem víc než pouze další aktualizace ChatGPT Voice. Ukazuje směr, kterým se může komunikace mezi lidmi a umělou inteligencí v následujících letech vydat.
