OpenAI udostępnia GPT-Live-1 API: model, który słucha i mówi jednocześnie

OpenAI udostępnia deweloperom API swojego najnowszego modelu mowy, GPT-Live-1, który wyróżnia się zdolnością do jednoczesnego słuchania i mówienia, co określane jest mianem funkcji „pełnego dupleksu”. Technologia ta jest już zaimplementowana w ChatGPT, a teraz twórcy aplikacji mogą integrować ją ze swoimi rozwiązaniami. Model ten umożliwia deweloperom dobieranie różnych modeli backendowych, aby dopasować głębokość rozumowania, szybkość i koszty do konkretnych zastosowań. Warto jednak zauważyć, że koszt użytkowania wynosi 0,05 dolara za minutę.

Znacząca poprawa wydajności i funkcjonalności

GPT-Live-1 wykazuje znaczącą przewagę nad swoimi poprzednikami w testach przeprowadzonych przez OpenAI. W testach interaktywności pełnego dupleksu osiągnął wynik 80,1 procent, podczas gdy GPT-Realtime-2.1 uzyskał jedynie 45,4 procent. Czas oczekiwania na reakcję (turn-taking latency) został skrócony z 1,4 sekundy do zaledwie 0,8 sekundy, co znacząco poprawia płynność konwersacji. Precyzja wywoływania narzędzi (tool-calling accuracy) wzrosła z 60 procent do 87 procent. W benchmarku wsparcia głosowego dla bankowości, GPT-Live-1 osiągnął wskaźnik zdawalności na poziomie 32 procent, co stanowi znaczący wzrost w porównaniu do 12,4 procent poprzedniego modelu.

Model GPT-Live-1 oferuje również dwanaście nowych głosów, obejmujących różne akcenty, dialekty i języki, co zwiększa jego wszechstronność i możliwości personalizacji. Dodatkowo, model dostarcza transkrypcje ASR (automatyczne rozpoznawanie mowy) oraz tekst odpowiedzi od razu po przetworzeniu. Pełne szczegóły dotyczące API zostaną udostępnione w dokumentacji.

Zastosowania rynkowe i perspektywy

Jednym z pierwszych komercyjnych zastosowań GPT-Live-1 jest jego integracja w firmie Yelp, gdzie model jest wykorzystywany do obsługi telefonicznych rezerwacji. Według Alexa Levy'ego, dyrektora technicznego Yelp, wdrożenie to przyczyniło się do lepszej obsługi połączeń. To pokazuje potencjał modelu w usprawnianiu interakcji głosowych w sektorze usług, gdzie płynność i precyzja komunikacji są kluczowe.

Udostępnienie GPT-Live-1 jako API otwiera nowe możliwości dla deweloperów, umożliwiając tworzenie bardziej naturalnych i efektywnych aplikacji głosowych. Znacząca poprawa w kluczowych metrykach wydajności, takich jak interaktywność pełnego dupleksu i precyzja wywoływania narzędzi, wskazuje na to, że technologia ta może stać się standardem w branży, rewolucjonizując sposób, w jaki użytkownicy wchodzą w interakcje z systemami opartymi na sztucznej inteligencji.

Źródło: the-decoder.com