OpenAI startete GPT-Live, ein Paar neuer Sprachmodelle, die die Interaktion mit ChatGPT verbessern, indem sie gleichzeitiges Sprechen und Zuhören ermöglichen, ähnlich wie bei menschlichen Gesprächen. Die Modelle GPT-Live-1 und GPT-Live-1 mini wurden am selben Tag wie die Veröffentlichung weltweit auf iOS, Android und ChatGPT.com eingeführt. GPT-Live-1 dient als Standard-Sprachmodell für kostenpflichtige Benutzer, während GPT-Live-1 mini für Benutzer mit kostenlosem Tarif vorgesehen ist. OpenAI plant auch, diese Modelle per API für Entwickler verfügbar zu machen.
Dies ist die dritte Generation der Sprachtechnologie von ChatGPT in zwei Jahren. OpenAI zielt darauf ab, ein reibungsloseres Benutzererlebnis zu schaffen, das sich natürlicher anfühlt als nur das Abfragen einer Suchmaschine. Die wichtigste Neuerung ist die „Vollduplex-Architektur“, die es dem Modell ermöglicht, eingehende Audiosignale kontinuierlich zu verarbeiten und gleichzeitig seine gesprochenen Antworten zu generieren.
Laut OpenAI ermöglicht diese neue Architektur schnelle Interaktionsentscheidungen und ermöglicht Gesprächsbestätigungen wie „mhmm“ und „verstanden“, während Benutzer noch sprechen, sowie eine effektivere Verwaltung von Unterbrechungen. Der vorherige erweiterte Sprachmodus basierte auf rundenbasierten Gesprächen, was manchmal zu unangenehmen Unterbrechungen aufgrund kurzer Pausen oder Hintergrundgeräuschen führte.
In GPT-Live sind Sprachinteraktion und Argumentationsfunktionen getrennt, sodass das System Konversationen fortsetzen kann, während komplexe Abfragen an ein Backend-Modell, insbesondere GPT-5.5, delegiert werden. Ziel dieser Verschiebung ist es, ein flüssigeres Interaktionserlebnis zu ermöglichen, sodass Sprachagenten Aufgaben wie das Abfragen von Datenbanken ausführen können, ohne den Gesprächsfluss zu unterbrechen. OpenAI geht davon aus, dass diese strukturelle Änderung Unternehmensanwendungen verbessern und komplexere Interaktionen ermöglichen wird.
OpenAI berichtete, dass über 150 Millionen Benutzer jede Woche Sprachfunktionen nutzen, was die wachsende Bedeutung von Sprachinteraktionen in verschiedenen Anwendungen widerspiegelt, einschließlich Sprachübungen und freihändiger Unterstützung. GPT-Live führt Verbesserungen wie visuelle Karten ein, die Kontextinformationen und drei Begründungsebenen für Antworten anzeigen: Sofort, Mittel und Hoch.
OpenAI hat neue Sicherheitsmaßnahmen implementiert, um den mit der Sprachinteraktion in Echtzeit verbundenen Risiken zu begegnen. Dazu gehören Echtzeit-Schutzmaßnahmen für Hochrisikosituationen und Bewertungen, die sich auf emotionales Vertrauen und andere Gefahren konzentrieren, die nur bei der Sprachkommunikation auftreten. Im Vergleich zum vorherigen Advanced Voice Mode verbesserten sich die Sicherheitswerte in verschiedenen Kategorien deutlich, beispielsweise bei unerlaubtem Verhalten und Selbstverletzung.
Auch Konkurrenten wie Google, ByteDance und Nvidia machen Fortschritte im Bereich der Vollduplex-Sprachtechnologie. OpenAI steht vor Herausforderungen, darunter eingeschränkter Sprachunterstützung und anfänglichem Mangel an API-Zugriff, die seine Marktdurchdringung behindern könnten. Trotz dieser Hindernisse beabsichtigt OpenAI, dass GPT-Live Sprache als primäre Schnittstelle für KI-Interaktionen etabliert, was möglicherweise in Zukunft zu ausgefeilteren Aufgabenverwaltungsfunktionen führen wird.
