ИИтог

ChatGPT научился слушать и говорить одновременно: OpenAI выпустила голосовую модель GPT-Live

продуктыРедакция ИИтогThe Decoder🔥87Рейтинг ИИтог · значимость 82 · 90909/ч
ChatGPT научился слушать и говорить одновременно: OpenAI выпустила голосовую модель GPT-Live

OpenAI выпустила GPT-Live, новое поколение голосовых моделей для ChatGPT на основе полнодуплексной (full-duplex) архитектуры: модель может слушать пользователя и говорить одновременно, как в обычном человеческом разговоре, а не по старой схеме «сказал, жди ответа». Доступны две версии: GPT-Live-1, для платных планов Go, Plus и Pro, и облегчённая GPT-Live-1 mini, для бесплатных аккаунтов. Обе уже работают в приложениях iOS, Android и на сайте ChatGPT.com; доступ через API OpenAI обещает добавить позже, разработчики могут заранее записаться через форму. Ранее в этом году похожую открытую полнодуплексную модель PersonaPlex выпустила Nvidia.

По словам OpenAI, GPT-Live по нескольку раз в секунду решает: говорить, продолжать слушать, сделать паузу, перебить пользователя или вызвать инструмент. Модель использует словесные заполнители вроде «угу» или «понял», чтобы показать, что следит за разговором; пользователь, в свою очередь, может перебить модель, взять паузу на раздумье или попросить её говорить медленнее. В сравнении с прежним Advanced Voice Mode пользователи предпочли GPT-Live-1 в 75,7% случаев, а mini-версию, в 69,2% случаев. Голосовой режим также получил визуальные карточки прямо в разговоре, например, для погоды, курсов акций и спортивных результатов, и обновлённый набор из девяти голосов. На старте GPT-Live не поддерживает видео и демонстрацию экрана, для этих сценариев пока остаются старые Standard и Advanced Voice Mode.

Главное архитектурное новшество, разделение обязанностей между «быстрой» разговорной моделью и «медленной» моделью для рассуждений. Когда запрос требует поиска в интернете, сложных рассуждений или агентных действий, GPT-Live передаёт его в фоне текущей флагманской модели, сейчас это GPT-5.5, а сама тем временем поддерживает разговор, не давая ему прерваться. По словам OpenAI, архитектура спроектирована так, чтобы GPT-Live всегда была подключена к самой актуальной топовой модели. Пользователи сами выбирают уровень рассуждений, «Мгновенный» для быстрых ответов либо «Средний» и «Высокий» для задач, где ChatGPT должен подумать дольше. Это устраняет ключевую слабость прежних голосовых моделей, которые отвечали, опираясь только на собственные, гораздо более скромные возможности, и потому сильно уступали топовым моделям и были малопригодны для серьёзной работы.

Разрыв в качестве, по данным OpenAI, оказался значительным. На тесте научных рассуждений GPQA GPT-Live-1 на «высоком» уровне рассуждений показывает точность 84,2% против 45,3% у Advanced Voice Mode. Ещё сильнее разрыв на BrowseComp, бенчмарке агентного поиска в интернете: GPT-Live-1 набирает 75,2%, тогда как Advanced Voice Mode, всего 0,7%. GPT-Live также лидирует во внутреннем тесте OpenAI tau3 Voice Telecom, который оценивает полнодуплексных голосовых агентов на реалистичных задачах телефонной поддержки клиентов: в зависимости от выбранного уровня рассуждений GPT-Live-1 решает задачи с более высоким процентом успеха и быстрее, тогда как Advanced Voice Mode показывает худший результат, самый низкий процент успеха и самое долгое время обработки.

Более «человечный» голосовой ИИ поднимает и ставки в безопасности. Люди склонны относиться к ИИ-моделям как к людям и поддаваться на уговоры вплоть до серьёзных последствий, а исследования показывают, что активные пользователи голосовых моделей ещё сильнее подвержены эмоциональной привязанности к ИИ; более человечно звучащая и реагирующая система рискует усилить этот эффект. OpenAI утверждает, что встроила меры безопасности, которые срабатывают ещё во время речи пользователя: система может направить модель к более безопасному ответу, показать дополнительную предупреждающую информацию или полностью прервать разговор в ситуациях высокого риска; при упоминании тем, связанных с самоповреждением, показываются контакты кризисных линий помощи. Для несовершеннолетних модель обучена вести себя соответственно возрасту, а родители через родительский контроль могут решать, доступен ли ребёнку голосовой режим ChatGPT, и получать уведомления в ситуациях высокого риска. GPT-Live не имитирует реальные голоса конкретных людей, только заранее заданный набор голосов. Полное описание мер безопасности OpenAI опубликовала в System Card.

Ключевые факты

  • OpenAI выпустила голосовую модель GPT-Live с полнодуплексной архитектурой: слушает и говорит одновременно, использует заполнители «угу»/«понял», позволяет себя перебивать.
  • Две версии, GPT-Live-1 (платные планы Go/Plus/Pro) и GPT-Live-1 mini (бесплатный доступ), уже работают в iOS, Android и ChatGPT.com; доступ через API обещан позже.
  • Сложные запросы (поиск, рассуждения, агентные задачи) GPT-Live в фоне передаёт GPT-5.5: точность на бенчмарке GPQA выросла с 45,3% до 84,2%, на BrowseComp, с 0,7% до 75,2%.
  • Пользователи предпочли GPT-Live прежнему Advanced Voice Mode в 75,7% случаев (mini-версию, в 69,2%); добавлены визуальные карточки (погода, акции, спорт) и 9 обновлённых голосов, но видео и демонстрация экрана пока не поддерживаются.
  • OpenAI встроила меры безопасности против рисков эмоциональной привязанности: реагирование на кризисные темы в реальном времени, родительский контроль и запрет имитации реальных голосов.

Почему это важно

OpenAI меняет саму механику голосового общения с ИИ: вместо схемы «сказал, жди ответа» полнодуплексная архитектура GPT-Live позволяет модели слушать и говорить одновременно, реагировать на перебивания и использовать естественные заполнители речи, это заметно приближает диалог с ChatGPT к разговору с человеком (в сравнениях пользователи предпочли новую модель в 70, 76% случаев). Кроме того, впервые голосовой режим перестаёт быть «интеллектуально урезанной» версией ChatGPT: раньше голосовые модели отвечали только своими силами и сильно отставали от текстовых флагманов, а GPT-Live в фоне подключает GPT-5.5 для сложных задач, разрыв в бенчмарках GPQA и BrowseComp сократился в разы.

Кому это важно

Пользователям платных (Go, Plus, Pro) и бесплатных аккаунтов ChatGPT на iOS, Android и в вебе, которые используют голосовой режим для разговоров, поиска информации или бытовых задач, теперь с визуальными карточками для погоды, курсов акций и спорта. Разработчикам, которые смогут подключить GPT-Live через API, когда OpenAI откроет доступ (уже можно записаться в форму ожидания). Конкурентам на рынке голосовых ассистентов, OpenAI явно отвечает на голосовые продукты вроде Nvidia PersonaPlex, поднимая планку по естественности диалога.

Как это применить

GPT-Live-1 доступен сразу пользователям платных планов Go, Plus и Pro, а урезанная GPT-Live-1 mini, бесплатным аккаунтам, в приложениях iOS и Android и на ChatGPT.com; отдельно платить за функцию не нужно, обновление входит в существующую подписку. В разговоре можно выбрать глубину рассуждений, «Мгновенный», «Средний» или «Высокий», в зависимости от того, важна скорость ответа или его глубина. Доступа к видео и демонстрации экрана в GPT-Live пока нет, для этого нужно оставаться на старом Standard/Advanced Voice Mode. Доступ через API OpenAI обещает открыть «скоро», разработчики могут заранее записаться через форму.

Можно ли доверять

Все цифры, проценты предпочтений пользователей и результаты бенчмарков GPQA, BrowseComp и tau3 Voice Telecom, приводит сама OpenAI, независимой проверки в источнике нет, поэтому к ним стоит относиться как к цифрам вендора, а не к нейтральному тестированию. При этом методология описана достаточно конкретно (названы тесты и проценты по уровням рассуждений), а сама идея передачи сложных задач в GPT-5.5 в фоне, архитектурное решение, которое логично должно подтягивать качество ответов голосового режима к текстовому. Полное описание мер безопасности OpenAI вынесла в отдельный System Card, что говорит о готовности компании к внешней проверке.

Риски и подводные камни

Чем естественнее и «человечнее» звучит ИИ, тем выше риск эмоциональной привязанности, исследования, на которые ссылается OpenAI, показывают, что активные пользователи голосовых моделей особенно склонны к такой зависимости, а более убедительный голос способен усилить эффект. OpenAI отвечает на это защитными мерами (эскалация к безопасным ответам прямо во время разговора, кризисные линии помощи при теме самоповреждения, родительский контроль и ограничения для младших пользователей), но насколько эти меры эффективны на практике, по тексту источника проверить нельзя. Ограничение по функциям на старте, отсутствие видео и демонстрации экрана, может разочаровать часть пользователей, ожидавших полноценной замены старого голосового режима.