مدل‌های صوتی جدید OpenAI مکالمه با هوش مصنوعی را طبیعی‌تر از همیشه می کنند

شرکت OpenAI با معرفی مدل‌های صوتی جدید ChatGPT تلاش کرده است مکالمه‌های صوتی را طبیعی‌تر، طولانی‌تر و تعاملی‌تر کند.

به‌ گزارش سرویس هوش مصنوعی تک‌ناک، این مدل‌ها که با نام‌های GPT-Live-1 و GPT-Live-1 mini معرفی شدند، صدای طبیعی‌تری دارند و در مدیریت رفت‌وبرگشت مکالمات، عملکرد بهتری ارائه می‌دهند. این مدل‌ها از معماری کاملا دوطرفه بهره می‌برند؛ به این معنا که می‌توانند هم‌زمان به صحبت‌های کاربر گوش دهند و پاسخ صوتی ارائه کنند. چنین قابلیتی امکان قطع کردن طبیعی صحبت هوش مصنوعی توسط کاربر و ویژگی‌هایی مانند ترجمه زنده را فراهم می‌کند. همچنین شرکت OpenAI بیان کرد که حالت فعلی Advanced Voice Mode در ChatGPT به‌ صورت پیش‌فرض با مدل GPT-Live-1 mini جایگزین خواهد شد. کاربران سرویس‌های پولی ChatGPT نیز به مدل قدرتمندتر GPT-Live-1 دسترسی خواهند داشت. نسل قبلی حالت صوتی ChatGPT برای فعالیت خود به ترکیبی از سه مدل مجزا متکی بود، که شامل مدل تبدیل گفتار به متن برای پردازش صحبت کاربر، مدل زبانی بزرگ برای تولید پاسخ و مدل تبدیل متن به گفتار برای خواندن پاسخ نهایی بودند.

خبر پیشنهادی: سیاست جدید مایکروسافت برای کاهش هزینه‌های هوش مصنوعی

شرکت OpenAI در نشست خبری خود اعلام کرد که مدل‌های صوتی جدید ChatGPT بسیاری از محدودیت‌های نسخه‌های قبلی، از جمله قطع کردن صحبت کاربران در میان مکالمه و ضعف در پاسخ‌گویی به پرسش‌های پیچیده را برطرف کرده‌اند. این مدل‌ها در صورت نیاز، درخواست‌های کاربر را به مدل‌های متنی پیشرفته‌تر مانند GPT-5.5 برای انجام وظایفی مانند جست‌وجو، استدلال و اجرای قابلیت‌های عامل هوشمند ارسال می‌کنند؛ در حالی که جریان مکالمه صوتی بدون وقفه ادامه پیدا می‌کند. همچنین این شرکت قابلیت حفظ زمینه مکالمه در شرایطی که کاربر برای مدتی صحبت نمی‌کند را به نمایش گذاشت. مدل جدید می‌تواند سکوت‌های طولانی را مدیریت نماید و اطلاعات گفت‌وگو را تا زمان دریافت درخواست بعدی حفظ کند. از سوی دیگر، دسترسی این حالت صوتی به مدل‌های جدیدتر GPT باعث شده است که ChatGPT بتواند برخی اطلاعات را علاوه بر صدا، در قالب‌های بصری نیز ارائه دهد. شرکت‌های دیگری مانند Monogram نیز با تمرکز بر پاسخ‌های تصویری، در تلاش هستند دستیارهای هوش مصنوعی را تعاملی‌تر کنند.

01
از 02
ویژگی‌های مدل‌های صوتی جدید OpenAI

به گفته OpenAI، مدل‌های صوتی جدید ChatGPT برای مکالمات طولانی طراحی شده‌اند. آتی التی، مدیر محصول ChatGPT Voice در جریان این نشست اعلام کرد که هنگام پیاده‌روی، مکالمه‌هایی ۳۰ تا ۴۰ دقیقه‌ای با این قابلیت داشته است. شرکت OpenAI بر این باور است که صدا می‌تواند در آینده به رابط اصلی تعامل انسان با رایانش برای انجام وظایف پیچیده تبدیل شود. در حالی که برخی گزارش‌ها از احتمال عرضه یک ایرباد مجهز به هوش مصنوعی توسط این شرکت در سال جاری خبر داده‌اند، OpenAI تاکنون جزئیاتی درباره محصولات سخت‌افزاری احتمالی منتشر نکرده است.

شرکت OpenAI از مدل‌های صوتی جدید ChatGPT رونمایی کرد

مرتبط: هوش مصنوعی GPT-5.6 فردا به صورت عمومی رونمایی می‌ شود

التی در این رابطه گفت: «در طول زمان، معتقد هستیم که این فناوری امکان استفاده از صدا به‌ عنوان رابط اصلی رایانش و مدیریت کارهای پیچیده و طولانی‌مدت مبتنی بر عامل‌های هوشمند را فراهم خواهد کرد. همان‌طور که مردم از Codex و ChatGPT برای انجام کارهای شگفت‌انگیز استفاده می‌کنند، ما فکر می‌کنیم صدا می‌تواند رابط آینده برای طیف گسترده‌ای از فعالیت‌ها باشد.» OpenAI طی چند سال اخیر تمرکز ویژه‌ای روی توسعه قابلیت‌های صوتی ChatGPT داشته است تا تجربه مکالمه با این دستیار هوش مصنوعی طبیعی‌تر شود. این شرکت بیان کرده است که بیش از ۱۵۰ میلیون نفر در سراسر جهان از قابلیت‌هایی مانند Voice و Dictation برای تعامل صوتی با ChatGPT استفاده می‌کنند.

02
از 02
وضعیت رقبای OpenAI

در همین حال، رقبای OpenAI نیز در تلاش هستند دستیارهای هوش مصنوعی خود را انسانی‌تر و توانمندتر در برقراری ارتباط کنند. اپل و آمازون هر دو با به‌روزرسانی دستیارهای خود، قابلیت مکالمه طبیعی‌تر و درک بهتر از زمینه گفت‌وگو را بهبود داده‌اند. همچنین استارت‌آپ‌هایی مانند Sesame که توسط برندن ایریب، هم‌بنیان‌گذار Oculus و آنکیت کومار راه‌اندازی شده، دستیارهای هوش مصنوعی جدیدی ارائه کرده‌اند که ضمن انجام وظایف در پس‌زمینه، تجربه گفت‌وگوی روان‌تر و طبیعی‌تری را فراهم می‌کنند.

بیشتر بخوانید: رونمایی از پلتفرم جدید xAI برای ساخت دستیار صوتی بدون کدنویسی + ویدیو

شرکت OpenAI نیز در همین مسیر حرکت می‌کند و قصد دارد امکان تعامل طولانی‌تر و بدون نیاز به استفاده از دست را با دستیار هوش مصنوعی خود فراهم کند. هرچند، این شرکت با وجود تاکید بر طبیعی‌تر شدن صدای مدل‌های صوتی جدید، اعلام کرده است که هدف آن تبدیل ChatGPT به یک «همراه هوش مصنوعی» نیست. همچنین OpenAI عنوان کرد که مدل‌های صوتی جدید با تدابیر ایمنی داخلی عرضه شده‌اند تا پاسخ‌های متناسب با سن برای کاربران نوجوان ارائه کنند و در صورت مطرح شدن موضوعاتی مانند خودآسیب‌رسانی، منابع حمایتی مناسب را معرفی کنند. با وجود این، حالت صوتی جدید هنوز به توسعه بیشتری نیاز دارد. در جریان نمایش قابلیت ترجمه زنده به زبان هندی، دستیار با لهجه‌ای پررنگ آمریکایی صحبت کرد و خروجی هندی آن از نظر طبیعی بودن فاصله داشت و حالتی رسمی و کتابی پیدا کرده بود. این شرکت اعلام کرده که این حالت صوتی برای «اکثر زبان‌های گفتاری» بهینه‌سازی شده، اما هنوز فهرست دقیقی از زبان‌های پشتیبانی‌شده ارائه نکرده است.