Ha használtad már a hangalapú asszisztenseket, valószínűleg ismerős a pillanat: elkezdesz mondani valamit, az AI pedig közbevág, vagy épp túl későn reagál. Az OpenAI most pont ezt a „beszélgetési ritmust” próbálja rendbe tenni.

Mi történt

Az OpenAI kiadta a GPT-Live-1 és a GPT-Live-1 mini nevű új hangos társalgási modelleket. A lényeg: ezek full-duplex modellek, vagyis egyszerre tudnak hallgatni és beszélni. Gondolj rá úgy, mint egy telefonhívásra: nem kell felváltva „adogatni a mikrofont”, lehet természetesen közbeszólni, visszakérdezni, és ettől kevésbé gépies a párbeszéd.

A ChatGPT-ben az eddigi Advanced Voice Mode alapértelmezett modelljét a jövőben a GPT-Live-1 mini váltja. A fizetős csomagok felhasználói a nagyobb, várhatóan jobb képességű GPT-Live-1-hez is hozzáférnek. Ez váltás a korábbi felépítéshez képest, ahol a hangos beszélgetés tipikusan három lépésből állt: beszédfelismerés (speech-to-text) leírta, amit mondasz, egy szöveges nagy nyelvi modell megfogalmazta a választ, majd egy szövegfelolvasó (text-to-speech) felmondta.

Az új hangmód közben is képes „háttérben” modernebb szöveges modellekhez továbbítani a kérést (például kereséshez, összetettebb érveléshez vagy ügynökszerű feladatokhoz), miközben a beszélgetés folytonossága megmarad. A demókban az is látszott, hogy a rendszer hosszabb ideig tud csendben maradni, „figyelni”, és csak akkor megszólalni, amikor tényleg szükséges. Emellett a hangmód újabb GPT-modellekhez való hozzáféréssel bizonyos információkat vizuális formában is meg tud jeleníteni.

Miért fontos

A hangos AI egyik nagy akadálya eddig nem a „szókincs” volt, hanem a társalgási dinamika: mikor szólaljon meg, hogyan kezelje a félbehagyott mondatokat, az önjavítást, a természetes közbeszólást. A full-duplex megközelítés ezt a problémát kezeli, és ezzel a hang tényleg közelebb kerülhet ahhoz, hogy ne csak diktálásra jó legyen, hanem hosszabb, kéz nélküli használatra (séta, vezetés, otthoni teendők közben). Közben a piac is ebbe az irányba mozdul: a nagy szereplők és startupok is „beszélgetősebb”, több kontextust kezelő asszisztenseket építenek.

Mire figyelj

  1. Minőség nyelvenként: a bemutatott élő fordítás hindi példája alapján az akcentus és a természetesség még ingadozhat, és nem világos, pontosan mely nyelvekre van optimalizálva a rendszer.
  2. Mit jelent a „hosszú beszélgetés” a gyakorlatban: a cél a hosszabb, folyamatos interakció, de érdemes figyelni, mennyire stabil a kontextuskezelés 20–40 perc után, és hogyan kezeli a témaváltást.
  3. Hang + vizuál együtt: az, hogy a hangmód vizuálisan is tud válaszolni, új használati mintákat hozhat (például „mondd el, és közben mutasd is”), de ez a felület és a munkafolyamatok átalakulását is jelenti.
  4. Biztonsági korlátok: az OpenAI hangsúlyozta, hogy nem „AI-társat” épít, és vannak védelmek (például korosztálynak megfelelő válaszok, önsértéssel kapcsolatos erőforrások). A kérdés az lesz, ezek mennyire működnek megbízhatóan élő, természetes beszélgetésekben.

Ha a hang valóban „elsődleges kezelőfelület” akar lenni, akkor nem az fog dönteni, hogy szépen ejt-e ki egy mondatot, hanem hogy mennyire tud emberi tempóban együttműködni veled — megszakításokkal, csendekkel, félmondatokkal és mindennapi káosszal együtt.