OpenAI am Mittwoch startete GPT-Live, eine neue Familie von Sprachmodellen, die gleichzeitig zuhören und sprechen können.
Das Unternehmen sagte, dass es zwei Versionen ausrollt — GPT-Live-1 und GPT-Live-1 mini — für Nutzer weltweit. GPT-Live-1 mini wird standardmäßig den aktuellen Advanced Voice Mode in ChatGPT ersetzen, während Nutzer auf bezahlten Ebenen Zugang zum größeren GPT-Live-1 Modell haben werden, sagte das Unternehmen.
Im Gegensatz zu traditionellen Sprachsystemen arbeiten die neuen Modelle im Vollduplex-Modus – sie können gleichzeitig Sprachinput und -ausgabe verarbeiten –, was natürliche Unterbrechungen und Fähigkeiten wie Live-Übersetzung ermöglicht, berichtete TechCrunch. Die Audioverarbeitung im alten System funktionierte wie eine Staffelübergabe: Gesprochene Worte wurden zuerst transkribiert, dann an ein Sprachmodell weitergeleitet und schließlich vor Erreichen des Nutzers wieder in Sprache umgewandelt.
Bei einer Pressekonferenz beschrieb OpenAI die Schwächen im älteren System, die die neuen Modelle beheben sollen, und wies auf Fälle hin, bei denen der Assistent Nutzer unterbrach und bei der Beantwortung von Fragen versagte. Wenn eine Anfrage nach Suche, Logik oder agentischen Fähigkeiten verlangt, wird sie im Hintergrund an ein Textmodell wie GPT-5.5 übergeben, ohne die Sprachinteraktion zu unterbrechen, sagte das Unternehmen.
Der neue Sprachmodus ist auch für längere Gespräche ausgelegt. Der Leiter des ChatGPT Voice-Produkts, Atty Eleti, sagte bei einem Pressegespräch, dass er beim Spazierengehen 30- bis 40-minütige Gespräche mit der Funktion geführt habe.
Demonstrationen hoben auch die Fähigkeit des Modells hervor, sich zurückzuhalten und still aufzunehmen, was gesagt wird, bis es gebraucht wird. Da der Sprachmodus auf neueren GPT-Modellen basiert, kann er bestimmte Antworten visuell anstelle von nur durch Sprache anzeigen.
Das Unternehmen sagte, dass mehr als 150 Millionen Menschen ChatGPT über Sprachfunktionen wie Voice und Dictation nutzen. OpenAI sieht in der Stimme eine potenzielle primäre Schnittstelle für komplexe Computerarbeit.
"Im Laufe der Zeit glauben wir, dass dies auch die Möglichkeit eröffnen wird, Stimme als eine Art primäre Schnittstelle zur Computerarbeit zu verwenden und zunehmend komplexe, langfristige agentische Arbeit zu verwalten", sagte Eleti.
OpenAI sagte, dass die Modelle Sicherheitsmerkmale enthalten, wie Schutzmaßnahmen, die die Antworten für jüngere Nutzer ändern und Unterstützungsressourcen vorschlagen, wenn sensible Themen wie Selbstverletzung erwähnt werden. Das Unternehmen sagte auch, dass es den neuen Sprachmodus nicht als einen AI-Begleiter präsentiert.
Anfang dieses Jahres, im Mai, brachte das Unternehmen eine Reihe von Audiomodellen auf den Markt, die sich an Entwickler richten, die sprachgesteuerte Anwendungen bauen, mit dem Fokus darauf, dass diese Agenten in Gesprächen natürlicher klingen. Reuters berichtete.