OpenAI zaprezentowało 8 lipca 2026 roku GPT-Live-1 i GPT-Live-1 mini, nową generację modeli głosowych przeznaczonych do prowadzenia rozmowy w czasie rzeczywistym. Najważniejszą zmianą jest obsługa komunikacji full duplex. Oznacza to, że model może odbierać dźwięk w tym samym czasie, w którym sam mówi, a rozmówca nie musi czekać na sztywny koniec wypowiedzi modelu, żeby wejść mu w słowo.
GPT-Live-1 ma zasilać bardziej naturalne rozmowy głosowe w ChatGPT i aplikacjach korzystających z modeli OpenAI. Wariant mini został przygotowany jako lżejsza wersja, dostępna szerzej i taniej. OpenAI podkreśla poprawę naturalności, intonacji, reagowania na przerwania oraz zdolności do utrzymywania płynnej konwersacji. Model może też korzystać z narzędzi, wyszukiwania i pamięci, więc rozmowa głosowa nie jest już wyłącznie warstwą do odczytywania tekstowej odpowiedzi.
Full duplex zmienia sposób prowadzenia rozmowy z AI
Dotychczasowa rozmowa z asystentem głosowym zwykle przypominała krótkofalówkę: użytkownik mówi, system czeka na koniec wypowiedzi, odpowiada, a dopiero później ponownie zaczyna słuchać. Full duplex pozwala zbliżyć interakcję do zwykłej rozmowy dwóch osób. Model może rozpoznać, że użytkownik chce mu przerwać, zatrzymać własną wypowiedź i natychmiast zareagować. To pozornie drobna zmiana, ale właśnie takie opóźnienia i problemy z kolejnością wypowiedzi często sprawiają, że rozmowa z voicebotem brzmi sztucznie.
- Przerywanie modelowi bez czekania na zakończenie odpowiedzi.
- Naturalniejsze przejmowanie kolejki w rozmowie.
- Mniejsze opóźnienia między wypowiedzią użytkownika a reakcją AI.
- Łączenie głosu z narzędziami, wyszukiwaniem i pamięcią.
- Praca w konwersacji multimodalnej zawierającej także tekst i obrazy.
Do czego przydają się modele GPT-Live?
Nowa architektura ma znaczenie wszędzie tam, gdzie głos jest głównym interfejsem, a użytkownik oczekuje szybkiej reakcji. Chodzi nie tylko o rozmowę z ChatGPT. Ten sam mechanizm można wykorzystać w tłumaczeniu na żywo, nauce języków, aplikacjach dostępnościowych, asystentach samochodowych czy agentach obsługujących klienta. W każdej z tych sytuacji liczy się nie tylko poprawność odpowiedzi, ale także rytm rozmowy.
| Obszar | Co daje model full duplex |
|---|---|
| Nauka języków | Płynniejsza rozmowa i możliwość natychmiastowego poprawiania wypowiedzi. |
| Tłumaczenie rozmów | Szybsze reagowanie na wypowiedzi dwóch rozmówców. |
| Obsługa klienta | Naturalniejsze rozmowy z agentem głosowym. |
| Asystenci osobowi | Możliwość przerwania odpowiedzi i natychmiastowej zmiany polecenia. |
| Aplikacje głosowe | Budowa interfejsu, który reaguje podobnie do człowieka podczas rozmowy. |
Głos staje się pełnoprawnym interfejsem AI
GPT-Live-1 pokazuje, że rozwój voice AI nie polega już tylko na tym, żeby syntezator brzmiał bardziej naturalnie. Kluczowe stają się zachowania charakterystyczne dla prawdziwej rozmowy: słuchanie w trakcie własnej wypowiedzi, reagowanie na przerwania, właściwe tempo i szybkie przechodzenie między rolą mówiącego i słuchającego. Jeśli modele głosowe będą dalej zmierzać w tym kierunku, głos stanie się równorzędnym interfejsem do korzystania z agentów i aplikacji AI, a nie dodatkiem do czatu tekstowego.
Źródła
