Valódi párbeszéd: egyszerre figyel és reagál
A GPT-Live újdonsága, hogy az úgynevezett „full-duplex” technológiára épül. Ez a megközelítés a telefonhívások világából lehet ismerős: mindkét fél egyszerre beszélhet és hallgathat, így a párbeszéd természetesen folyhat. Ennek köszönhetően a ChatGPT immár folyamatosan feldolgozza a bejövő hangot, miközben válaszait generálja – nem kell tehát megvárnod, amíg teljesen elhallgatsz, hogy a gép megszólaljon. Most már képes közbeszólni, megerősíteni vagy finoman visszajelezni (például egy „mhmm”-mel), utánozva az emberi kommunikáció árnyalatait is.
A korábbi megoldásoknál (például az Advanced Voice Mode) gyakran előfordult, hogy a mesterséges intelligencia egy pillanatnyi szünetet vagy háttérzajt úgy értékelt, mintha befejezted volna a mondandódat – és azonnal a szavadba vágott. Az új módszerrel ez a zavaró élmény megszűnik: akár forgalmas környezetben, akár gondolkodási szünetek közben is zökkenőmentes marad a csevegés.
Moduláris felépítés: okos beszéd, még okosabb háttér
Az OpenAI a GPT-Live fejlesztésénél szétválasztotta a beszélgetésvezérlő réteget a tényleges „gondolkodó” logikától. Az egyszerű kérdésekre gyorsan választ ad a hangalapú komponens, de ha bonyolultabb utánajárás vagy webes keresés szükséges, akkor már a GPT-5.5 nyelvi modell dolgozik a háttérben. Mindeközben végig fennmarad a gördülékeny társalgás érzete: nem szakítja félbe a folyamatot hosszú gondolkodási szünetekkel.
Ez a moduláris megközelítés lehetővé teszi, hogy a ChatGPT hangélménye ne igényeljen folyamatos újratanítást a háttérben fejlődő nyelvi modulokhoz. Ez vállalati felhasználásban is forradalmi: bármilyen adatbázis-lekérdezés, összetett ügyintézés vagy webes keresés indítható pillanatok alatt természetes párbeszéden keresztül.
A ChatGPT hanggeneráció története: csökkenő késleltetés, egyre természetesebb beszéd
A ChatGPT először 2023-ban kapott hangalapú funkciókat, de ekkor még minden beszélgetés három külön modell (hangfelismerő, nyelvi és szöveg-beszéd-átalakító) összekapcsolásával zajlott, ez pedig lassú és merev párbeszédeket eredményezett: gyakran akár 1,7 másodperc késleltetés is beiktatódott, mire elhangzott az első válasz.
2024-ben a haladó beszédmód már natív audiofeldolgozással gyorsította fel a beszédet, ráadásul új hangokkal (Arbor, Maple, Sol, Spruce és Vale), jobb akcentuskezeléssel és gördülékenyebb társalgással jelentkezett. A merev, kimért váltások azonban továbbra is magukon viselték a klasszikus gépi beszéd jegyeit. Ez a korszak zárulhat most le.
A Scarlett Johansson-botrány és a hangimitációs dilemmák
Az Advanced Voice Mode bevezetését beárnyékolta egy komoly PR-válság. A GPT-4o bemutatóján elhangzó Sky nevű hang túlságosan hasonlított Scarlett Johansson orgánumához, akihez kötik a 2013-as A nő (Her) című film MI-karakterét. Johansson sosem adott engedélyt a hangja használatához, és maga is megdöbbenéssel tapasztalta a hasonlóságot. Az ügy kapcsán jogvédő szervezetek és hollywoodi szakszervezetek is felszólaltak, ami rávilágított a digitális hangmásolatok jogi problémáira.
A GPT-Live fejlesztésekor a mérnökök már kiemelten figyeltek arra, hogy egyedi hangokat alkossanak, amelyek nem hasonlítanak valós személyekére, és további technikai biztosítékokat vezettek be az imitáció elkerülésére.
Új funkciók: vizuális kártyák, állítható gondolkodás, türelmes várakozás
Hetente már 150 millióan használják a hangalapú diktálást vagy beszélgetést a ChatGPT-n. Ennek köszönhetően a GPT-Live most már vizuális kártyákat is megjelenít: időjárás, tőzsde, sporteredmények vagy térképek jelenhetnek meg a beszélgetés során, így egy pillantás alatt képet kapsz az említett adatokról.
A válaszadásnál három opció közül választhatsz: „Azonnali”, „Közepes” vagy „Magas” gondolkodási szint – attól függően, a gyorsabb vagy az alaposabb, elmélyültebb választ keresed-e. Most már nem szól közbe, ha éppen gondolkodsz, sőt, ha háttérzaj vagy más beszélgetés van körülötted, könnyebben kivehető a saját hangod a rendszer számára.
Új biztonsági vizsgálatok: fókuszban a hangalapú veszélyek
Az OpenAI a hangspecifikus kockázatokat is vizsgálni kezdte, mivel itt a valós idejű beszélgetés intimitása új veszélyeket hordoz. Külön hangsúlyt kapott az önsértés, szexualitás, tiltott viselkedés, érzelmi függés, mentális egészség és gyűlöletbeszéd területein végzett tesztelés. A szintetikus teszteken a GPT-Live-1 jelentős javulást mutatott: például az illegális viselkedés felismerése 0,63-ról 0,97-re, önsértés 0,72-ről 0,98-ra nőtt a mutatók szerint, a gyűlöletbeszéd kezelése pedig elérte a 100%-os biztonsági értéket.
Valós felhasználók hangmintáinál már vegyesebb a kép: többnyire fejlődés látszik, de például az érzelmi ráutaltság területén némi visszaesést figyeltek meg – bár ez nem volt statisztikailag szignifikáns. Az MI fejlesztői valós idejű védelmi rendszereket is létrehoztak, amelyek szükség esetén megszakítják a párbeszédet vagy segítik azonnali krízisforrás megtalálását.
Teljes gőzzel indult a duplex-harc: Google, ByteDance és Nvidia is ringben
A piac nem vár: miközben az OpenAI fejlesztette a GPT-Live-ot, több nagy techcég is elindította saját duplex hangmodelljeit. A Google Gemini alkalmazásában már elérhető a hasonló képességű Google Audio 2 modul révén, a ByteDance pedig nemrég a Doubao alkalmazásban jelent meg teljes duplex beszédgeneráló MI-vel, amely 50%-kal kevesebb hibát produkál. Az Nvidia Riva szintén teljes duplex szerepvezérléssel törte át a műfaji korlátokat.
A különbség most már az ökoszisztéma méretében és a GPT-5.5 okos válaszainak közvetlen integrálásában rejlik – ám például a hang+videó vagy képernyőmegosztás támogatása, valamint az API-elérés egyelőre még hiányoznak, ami a versenytársakat ideiglenesen előnyhöz juttathatja.
Jövőkép: eltűnnek a csevegődobozok?
Az OpenAI már nem kiegészítőként, hanem elsődleges felületként tekint a hangalapú MI-párbeszédre. Az a vízió, hogy akár utazást foglalj, biztosítóval egyezkedj vagy szerverhibát háríts el teljesen természetes beszélgetésen keresztül, most először kerül igazán közel. Két éve még robotikus, lassú reakcióidő és szaggatott társalgás volt a jellemző; egy évvel ezelőtt már gyorsabb, ám még mindig kissé esetlen „társalgás”, ma pedig már valódi, élő párbeszéd – így változott a ChatGPT hangja.
Kérdés, készen állunk-e egy olyan világra, ahol a digitális társ tényleg emberhez méltón szólal meg – és vajon milyen hatása lesz ez ránk?
