За последние два года взаимодействие с ИИ было ограничено простым вводом текста или диктовкой — пользователь говорил, а потом ждал ответа. Но OpenAI изменила правила игры, представив голосовую модель GPT-Live. Она позволяет ChatGPT продолжать слушать во время разговора, выводя компанию на первое место в полнодуплексном соревновании с ИИ.
GPT-Live включает две модели: GPT-Live-1 и GPT-Live-1 mini. Они доступны на iOS, Android и ChatGPT.com, запущены по всему миру и заменили Advanced Voice Mode. Платные пользователи получают доступ к GPT‑Live‑1, а бесплатные — к GPT‑Live‑1 mini.
Ключевое преимущество GPT-Live — полнодуплексная архитектура. Модель способна обрабатывать речь и генерировать ответ без ожидания полной тишины. Она может принимать интерактивные решения в секунду: говорить, продолжать слушать, делать паузу и т. д. Например, голосовой помощник может вставлять ответы («угу», «да», «понимаю») во время разговора, отвечать на вопросы во время пауз, прерывать разговор без прерывания абзаца. В демонстрации от «Business Insider» пользователь попросил ChatGPT подтвердить дату встречи, одновременно проверяя погодные и дорожные условия. Модель ответила «гм» и «ОК» и продолжила работу при добавлении нового запроса.
Ещё одно важное изменение в GPT‑Live — отделение уровня голосового взаимодействия от уровня логических рассуждений. При прямом вопросе модель отвечает сама, а если требуется поиск в интернете, глубокое осмысление или работа с прокси‑сервером, передаёт задачу передовой модели (GPT‑5.5, опубликованной OpenAI в апреле). При этом OpenAI может заменить логический движок в модульной конструкции без переобучения речевой модели — GPT-Live сможет обновляться при запуске более мощной модели.
Голосовые агенты на архитектуре GPT-Live способны общаться с клиентами, запрашивать БД, искать в интернете, выполнять многоэтапные вычисления, отображать визуальные данные (погода, цены на акции, спортивные результаты, карты) и позволяют выбирать интенсивность рассуждений (мгновенная, средняя, высокая).
OpenAI также внедрила в GPT‑Live систему оценки речевого риска в режиме реального времени и встроенные звуковые тесты (членовредительство, сексуальный контент, противоправное поведение, эмоциональная зависимость, психическое здоровье, разжигание ненависти). Модель может направить более безопасные ответные меры, предоставить ресурсы в кризисных ситуациях или прекратить голосовые разговоры в ситуациях повышенного риска, а также обеспечить защиту подростков. При оценке использования реального голоса пользователя большинство категорий GPT‑Live остались на прежнем уровне или улучшились, но наблюдался небольшой регресс в эмоциональной зависимости (OpenAI считает изменение нестатистически значимым и планирует долгосрочный мониторинг).
Сотрудник OpenAI смог вести 30–40‑минутный разговор с помощью голосовой функции во время ходьбы. В компании считают, что голосовая связь станет основным интерфейсом для выполнения сложной долгосрочной работы. Более 150 миллионов человек используют ChatGPT с функциями голосовой связи и диктовки каждую неделю.
При этом у GPT-Live есть и ограничения: она не поддерживает передачу голоса, видео или общий доступ к экрану при подключении к сети (в отличие от Gemini Live), языковая поддержка ограничена, возможны неродные акценты (например, демонстрация на хинди переведена с сильным американским акцентом). Кроме того, API GPT‑Live не был открыт в первый день запуска — корпоративные разработчики не могут напрямую использовать его для создания коммерческих голосовых агентов. В то же время конкуренты (Google, ElevenLabs, Deepgram) уже подготовили продукты для разработчиков.
Другие игроки рынка тоже активно развивают полнодуплексные технологии. Google предлагает Gemini Live: она обеспечивает полнодуплексный диалог в приложении Gemini, поддерживает совместное использование камеры и экрана. В марте выпущена Gemini 3.1 Flash Live с голосовой связью в реальном времени и низкой задержкой. Bytedance в апреле запустила Seeduplex в приложении Doubao — это первый массовый полнодуплексный голосовой ИИ. Частота ответов на ошибки и междометий в нём снижена на 50 % по сравнению с предыдущим поколением полудуплексных систем. NVIDIA в январе представила PersonaPlex: она добавляет настраиваемое управление голосом и символами в полнодуплексную модель и снимает ограничение привязки natural voice к одному голосу. Thinking Machines (возглавляется Мирой Мурати) в мае анонсировала технологию, где взаимодействие должно быть непрерывным с помощью аудио, видео и текста. Apple и Amazon делают помощников более разговорными и контекстуальными, а Sesame (основана Бренданом Ирибе и другими) запустила ИИ‑помощников, которые могут разговаривать естественно и выполнять задачи в фоновом режиме.
«VentureBeat» подчёркивает, что полнодуплексная передача голоса — базовый критерий для продуктов ИИ потребительского класса. При этом язык, изображения и API‑интерфейсы ещё не разработаны — от заполнения этих пробелов зависит скорость продвижения вперёд.
<<<CODE_BLOCK_1>>>
<<<IMG_1>>>
Подписаться в Макс
