OpenAI представила GPT-Live, голосовую модель ChatGPT, которая слушает и говорит одновременно
OpenAI представила GPT-Live, новое поколение голосовых моделей для ChatGPT. Главное архитектурное отличие, полный дуплекс: модель одновременно слушает и говорит, а не ждёт, пока собеседник замолчит. Во время разговора она может показывать, что слушает, короткими репликами вроде «угу» или «ага», вставлять быстрые реакции или просто молчать, если человеку нужно подумать. По словам OpenAI, это ещё и самая «умная» голосовая модель компании: если вопрос требует веб-поиска, углублённых рассуждений или сложной работы, GPT-Live передаёт задачу передовой модели, на старте это GPT-5.5, которая работает в фоне, а сама тем временем продолжает разговор и возвращает результат, когда он готов. По мере выхода новых передовых моделей OpenAI обещает обновлять и модель, лежащую в основе GPT-Live.
Компания сравнивает новинку с двумя предыдущими поколениями голосового ChatGPT. Первая версия ChatGPT Voice работала по каскадной схеме: одна модель переводила речь в текст, вторая генерировала ответ, третья превращала его обратно в речь; из-за цепочки моделей часть информации терялась, а ответы получались медленными и «дёрганными». Следующее поколение, Advanced Voice Mode, обрабатывало и генерировало звук уже в одной модели, что снизило задержку, но по-прежнему работало «по очереди»: модель ждала, пока человек замолчит, а конец реплики определялся по паузе в звуке, из-за чего короткая пауза или фоновый шум иногда заставляли модель перебивать невпопад. GPT-Live решает обе проблемы за счёт двух изменений: непрерывной обработки входящего и исходящего звука одновременно (модель по нескольку раз в секунду решает, говорить, слушать, молчать, перебивать или вызывать инструмент) и разделения «быстрого» разговорного слоя и «медленного» слоя глубоких рассуждений, который выполняет отдельная модель в фоне.
OpenAI провела человеческие оценки «приятности» и плавности разговора: в парных 5, 10-минутных сравнениях испытуемые заметно предпочли GPT-Live-1 и GPT-Live-1 mini версии Advanced Voice Mode, по общей оценке, естественности смены реплик, числу неуместных перебиваний и плавности разговора. На бенчмарке GPQA (экспертные научные рассуждения в биологии, химии и физике) GPT-Live-1 существенно опередил Advanced Voice Mode; на BrowseComp (агентный веб-поиск и умение находить труднодоступную информацию) показал заметный прирост; на внутреннем тесте τ³-Voice Telecom, который проверяет голосовых агентов на реалистичных многоходовых сценариях поддержки в телекоме, тоже обошёл предыдущую модель.
Голосом ChatGPT еженедельно пользуются свыше 150 млн человек, чтобы получить помощь в повседневных делах, когда заняты руки, попрактиковать язык, послушать сказку на ночь или поговорить во время поездки. С сегодняшнего дня по кнопке голоса пользователи получают обновлённый опыт на основе GPT-Live: более естественный разговор (можно перебить вопросом, взять паузу подумать, попросить говорить медленнее; модель подтверждает, что слушает, словами «угу» или «поняла»; заново доработано звучание всех девяти голосов ChatGPT), более умные ответы (доступны новейшие модели, можно выбрать глубину рассуждений, Instant, Medium или High, когда нужно, чтобы модель думала дольше), более внимательное «слушание» (модель ждёт, если человек задумался, молчит по просьбе, лучше отфильтровывает фоновый шум вроде проезжающих машин или чужих разговоров) и визуальные карточки прямо во время разговора, для погоды, котировок, спорта и так далее; голос по-прежнему поддерживает поиск, память, изображения и загрузку файлов.
Для голоса добавили отдельное обучение безопасности и новые проверки: аудио-нативные оценки и синтетические тесты на сгенерированной речи по ключевым темам риска, самоповреждение, психоз и мания, эмоциональная зависимость от ИИ, насилие, сексуальный контент; внутренние специалисты по безопасности отдельно проверяли модель на риски, характерные именно для голоса (red teaming). По утверждению OpenAI, GPT-Live показал результаты на уровне или лучше Advanced Voice Mode почти по всем проверенным направлениям, подробности компания приводит в отдельном документе о безопасности модели (System Card). Добавлены защитные механизмы, которые могут сработать прямо во время разговора: увести модель к более безопасному ответу, показать дополнительную информацию о помощи или в случаях повышенного риска завершить разговор; для тем самоповреждения адаптированы существующие сценарии поддержки ChatGPT, включая переключение на горячую линию. Отдельно проработана защита подростков: модель обучена вести себя «по возрасту», родители через родительский контроль решают, может ли подросток пользоваться голосом ChatGPT, а в ситуациях повышенного риска (признаки суицидальных намерений) привязанным родителям может прийти уведомление. OpenAI также обещает долгосрочный мониторинг после запуска, прежде всего по теме эмоциональной зависимости от ИИ. Голос строится на заранее заданном наборе «озвучек», модель специально ограничена, чтобы не имитировать голос реального человека.
GPT-Live выкатывается уже сегодня всем пользователям ChatGPT, на iOS, Android и chatgpt.com. GPT-Live-1 становится голосом по умолчанию для тарифов Go, Plus и Pro, GPT-Live-1 mini, для бесплатного тарифа. В API модель обещают добавить позже; разработчики и компании могут оставить заявку на уведомление о запуске. Модель оптимизирована под самые популярные языки ChatGPT, для части языков возможен заметный акцент или пробелы в беглости, компания говорит, что активно работает над этим. На старте GPT-Live не поддерживает голос вместе с видео или демонстрацией экрана, эту возможность обещают добавить позже; для таких сценариев пока остаются доступны прежние режимы, Standard и Advanced Voice Mode.
Ключевые факты
- GPT-Live, новое поколение голосовых моделей ChatGPT с полнодуплексной архитектурой: модель слушает и говорит одновременно, а не ждёт, когда собеседник замолчит, и по нескольку раз в секунду решает, продолжать слушать, ответить, промолчать или перебить.
- Для сложных запросов (веб-поиск, глубокие рассуждения, агентные задачи) GPT-Live в фоне передаёт работу передовой модели, на старте GPT-5.5, а сама продолжает разговор и возвращает результат, когда он готов.
- По оценкам людей и на бенчмарках GPQA, BrowseComp и внутреннем τ³-Voice Telecom GPT-Live-1 и GPT-Live-1 mini заметно опережают прежний Advanced Voice Mode.
- С сегодняшнего дня GPT-Live-1 и GPT-Live-1 mini выкатываются всем пользователям ChatGPT (iOS, Android, chatgpt.com): mini, по умолчанию на бесплатном тарифе, полная версия, на Go, Plus и Pro; доступ через API обещан позже.
- Для голоса добавили отдельное тестирование по темам самоповреждения, психоза, эмоциональной зависимости от ИИ, насилия и секс-контента, защитные механизмы в реальном времени, родительский контроль для подростков и запрет на имитацию голоса реального человека.
Почему это важно
GPT-Live, это попытка OpenAI закрыть сразу два болезненных места голосового ИИ, которые компания описывает в самом анонсе. Первое поколение ChatGPT Voice было каскадным: речь превращалась в текст, текст обрабатывала языковая модель, ответ снова озвучивался, из-за цепочки моделей часть информации терялась, а ответы получались медленными и «дёрганными». Advanced Voice Mode объединил обработку и генерацию звука в одной модели, но всё равно работал «по очереди»: ждал, пока человек замолчит, и из-за пауз или фонового шума иногда перебивал невпопад. GPT-Live впервые даёт голосу ChatGPT полный дуплекс, модель непрерывно слушает и говорит одновременно, по нескольку раз в секунду решая, продолжать ли слушать, ответить, промолчать, перебить или вызвать инструмент. Параллельно «быстрый» разговорный слой отделён от «медленного»: если нужен поиск или сложное рассуждение, GPT-Live передаёт задачу передовой модели (сейчас, GPT-5.5) в фоне и продолжает разговор, не замирая в ожидании ответа. Голосом ChatGPT пользуются свыше 150 млн человек в неделю, так что это одно из самых массовых применений подобной технологии на сегодняшний день.
Кому это важно
В первую очередь, пользователям ChatGPT: с сегодняшнего дня GPT-Live становится голосом по умолчанию для всех, кто пользуется приложением на iOS, Android и chatgpt.com, от бесплатного тарифа (GPT-Live-1 mini) до платных Go, Plus и Pro (GPT-Live-1). Это касается и тех, кто использует голос для практики языков, бытовых вопросов на ходу или разговора во время поездки. Отдельная аудитория, подростки и их родители: доступность голосового режима регулируется родительским контролем, а при признаках риска родителям может прийти уведомление. Наконец, это важно для разработчиков и компаний: OpenAI обещает открыть GPT-Live через API «в ближайшее время» и уже собирает заявки на уведомление о запуске.
Как это применить
Включать GPT-Live отдельно не нужно, это встроенная замена прежнего голосового режима ChatGPT: по кнопке голоса в приложении на iOS, Android или на chatgpt.com пользователь сразу попадает в новый опыт. Внутри можно выбрать глубину рассуждений, Instant (мгновенные ответы), Medium или High (когда нужно, чтобы модель думала дольше), а во время разговора получать не только голос, но и визуальные карточки, например, по погоде, котировкам или спорту; по-прежнему доступны поиск, память, изображения и загрузка файлов. Разработчикам и компаниям, которым нужен программный доступ, пока остаётся только оставить заявку через форму OpenAI, доступ к API обещан позже, точных сроков в анонсе нет. Если нужен голос вместе с видео или демонстрацией экрана, на старте GPT-Live этого не умеет, для таких сценариев пока стоит использовать прежние режимы Standard и Advanced Voice Mode.
Можно ли доверять
Все цифры в анонсе, собственные оценки OpenAI, без упоминания независимой проверки: компания сама описывает методику (парные 5, 10-минутные сравнения с участием людей) и сама выбирает бенчмарки, на которых показывает превосходство над своей же прежней моделью Advanced Voice Mode, GPQA (научные рассуждения), BrowseComp (агентный поиск) и внутренний тест τ³-Voice Telecom, который OpenAI прямо называет «внутренним вариантом», то есть недоступным сторонним аудиторам. Сравнение честное по форме, названы конкретные метрики и формат тестов, но полностью одностороннее. По части безопасности OpenAI ссылается на отдельный документ, System Card, где, по её словам, подробно расписаны тестирование и защитные меры; независимой оценки этих утверждений в самом анонсе тоже нет.
Риски и подводные камни
Список тем, под которые OpenAI отдельно готовила защиту голосовой модели, самоповреждение, психоз и мания, эмоциональная зависимость от ИИ, насилие и сексуальный контент, сам по себе показывает, какие риски компания считает реальными именно для голосового формата: живой, эмоционально вовлекающий разговор располагает к таким темам сильнее, чем переписка. OpenAI признаёт, что будет вести долгосрочный мониторинг именно эмоциональной зависимости пользователей от ИИ уже после запуска, то есть считает это открытым, не до конца изученным риском. Есть и более практические ограничения: для части языков модель может звучать с заметным акцентом или хуже владеть беглостью речи; на старте нельзя совмещать голос с видео или демонстрацией экрана; а срабатывание защитных механизмов в реальном времени, увести разговор в сторону, показать предупреждение или прервать беседу, неизбежно означает и риск ложных срабатываний, которые в анонсе не обсуждаются.
«Наша цель, по-настоящему естественное взаимодействие человека и ИИ: мир, где совместная работа с ИИ ощущается такой же гибкой и отзывчивой, как работа с другим человеком, а рассуждения и выполнение сложных задач происходят плавно, в фоновом режиме.»
— OpenAI, анонс GPT-Live