‏GPT-Live-1؛ مدل صوتی full duplex اوپن‌ای‌آی برای دولوپرها

OpenAI مدل صوتی جدیدش، GPT-Live-1، رو وارد API کرده؛ همون مدلی که اول تو ChatGPT معرفی شده بود و حالا دولوپرها می‌تونن ازش برای ساخت ایجنت‌های صوتی و اتوماسیون‌های کاری استفاده کنن. این مدل هم‌زمان صدا رو می‌شنوه و جواب می‌ده (full duplex یعنی گوش دادن و صحبت کردن با هم، بدون اینکه منتظر تموم شدن حرف طرف مقابل بمونه)، و برخلاف روش قدیمی که تشخیص گفتار، مدل استدلالی، و تبدیل متن به گفتار رو زنجیره‌وار پشت سر هم اجرا می‌کرد، این مدل همه‌ی این کارا رو با هم انجام می‌ده.

به گفته OpenAI، این معماری جدید تاخیر و اون قطعی‌های عجیب تو مکالمه که معمولا از جابه‌جایی بین چند مدل مختلف پیش میاد رو از بین می‌بره. دولوپرها می‌تونن لحن و سبک صحبت مدل رو از طریق system prompt کنترل کنن، مدل استدلالی و ابزار خودشون رو انتخاب کنن (مثل GPT-6 Astra یا Codex)، و از امکاناتی مثل تشخیص کلمه کلیدی و تشخیص وقفه طبیعی مکالمه (turn detection) استفاده کنن. این مدل بیشتر برای کاربردایی مثل رزرو، پیگیری سفارش، و پشتیبانی تلفنی طراحی شده.

نتایج اولیه امیدوارکننده‌ست: اپ آموزش زبان Speak میگه با این مدل حدود ۸۰٪ کمتر حرف کاربر قطع می‌شه، و همین به زبان‌آموزا وقت بیشتری برای فکر کردن می‌ده. OpenAI هم میگه GPT-Live-1 رو بنچمارک Full Duplex Bench سی امتیاز درصد از نسخه قبلی، GPT-Realtime-2.1، جلوتره، و وقتی با GPT-6 Astra ترکیب بشه رتبه اول بنچمارک Tau3 رو می‌گیره. یکی از مشتریا هم گفته با جایگزین کردن سیستم قدیمیش، ۸۰٪ از کد صداش رو حذف کرده و ۲۳ هزار خط کدی که برای مکالمه با بیمارها استفاده می‌شد رو کنار گذاشته.

قیمت GPT-Live-1 برای هر دقیقه ۰.۰۵ دلاره، جدا از هزینه مدل استدلالی و ابزارایی که پشتش کار می‌کنن. این مدل با ۱۲ صدا تو لهجه‌ها و زبون‌های مختلف عرضه شده، و برای صدای اختصاصی باید با تیم فروش OpenAI تماس گرفت. OpenAI میگه به‌زودی صدا و زبون بیشتری اضافه می‌کنه، و برای اتوماسیون‌های پیچیده‌تر هم کاربرا رو به سراغ Presence می‌فرسته که می‌تونه به سیستم‌های داخلی شرکت‌ها وصل بشه و کارای واقعی انجام بده.

نکات کلیدی:

• GPT-Live-1 صدای ورودی و خروجی رو هم‌زمان پردازش می‌کنه، نه زنجیره‌ای
• قیمت: ۰.۰۵ دلار به ازای هر دقیقه، جدا از هزینه مدل پشتیبان
• طبق گزارش OpenAI، سی امتیاز درصد بهبود نسبت به GPT-Realtime-2.1 روی Full Duplex Bench
• کاربرای اولیه: Yelp Host، Speak، Fin از Intercom، و Devin از Cognition
• عرضه اولیه با ۱۲ صدا؛ صدای اختصاصی فقط از طریق تیم فروش