Tam çift yönlü mimari sayesinde: ChatGPT Voice konuşurken dinler

ChatGPT Voice daha önce hem dinleyebiliyor hem de konuşabiliyordu ancak ikisini aynı anda yapamıyordu. Yeni GPT-Live modelinin bu duruma çare olması amaçlanıyor. Model, konuşmadaki duraklamaları beklemek yerine, tam çift yönlü işlemi kullanarak ses akışını sürekli olarak işler ve konuşması mı yoksa dinlemesi mi gerektiğine sürekli olarak karar verir. “Mhmm” gibi kısa geri bildirimler, gerçek kesintiler kadar mümkün olmalıdır.

2023'teki orijinal ChatGPT ses özelliği, üç yönlü bir basamak olarak çalışıyordu: Konuşmadan Metne (STT) girdiyi yazıya döktü, bir dil modeli bundan bir yanıt oluşturdu ve son olarak Metinden Konuşmaya (TTS) onu seslendirdi. 2024 yılında Gelişmiş Ses Modu, bu üçlü zinciri tek bir ses modeliyle değiştirerek gecikmeyi ve doğallığı gözle görülür şekilde iyileştirdi. Ancak bu sıra tabanlı prensibi değiştirmedi.

Beklemek yerine yetki vermek

Tam çift yönlü sürece ek olarak GPT-Live, konuşmaları daha akıcı hale getirmeyi amaçlayan başka bir yenilik daha getiriyor. Arka planda yoğun bilgi işlem gerektiren görevleri GPT-5.5'e devreder. Bir konuşma sırasında web araması veya daha derin muhakeme gerektiren bir şey soran kimsenin beklemesine gerek yoktur. Sonuç çıkana kadar görüşme devam eder. OpenAI'ye göre kullanıcılar üç seviye arasından seçim yapabiliyor: Hızlı cevaplar için Anında, daha karmaşık sorular (akıl yürütme) için Orta ve Yüksek.

OpenAI'nin kendi ölçümlerinde, test uzmanları vakaların yüzde 75,7'sinde Gelişmiş Ses Modu yerine GPT-Live-1'i ve yüzde 69,2'sinde GPT-Live-1 mini'yi tercih etti. OpenAI'ye göre bilimsel akıl yürütme kriteri GPQA'daki isabet oranı yüzde 45,3'ten yüzde 84,2'ye çıkıyor. Arama kriteri olanBrowseComp'ta bu oran yüzde 0,7'den yüzde 75,2'ye çıkıyor; şirket bunu neredeyse yalnızca arka plan delegasyonu yoluyla açıklıyor.

Devam eden görüşmelerde güvenlik

Aşağı akış denetimi, metin sohbetlerinde olduğu gibi gerçek zamanlı konuşmalarda çalışmadığından GPT-Live, kendi çıktısını yeniden yönlendirerek, kaynak sunarak veya yüksek riskli durumlarda konuşmayı sonlandırarak görüşme sırasında müdahale edebilir. Gençler için yaşa uygun davranışlar doğrudan modele eğitilmeli ve ebeveynler, ebeveyn kontrolü ayarları aracılığıyla işlevi kontrol edebilmelidir. Kendine zarar verme belirtileri varsa, kriz durumunda telefonla yönlendirmeyi de içeren uyarlanmış bir destek süreci devreye girer. Ses taklidi amaçlanmamıştır: GPT-Live yalnızca önceden tanımlanmış sesleri kullanır.

GPT-Live, OpenAI'nin Gerçek Zamanlı API'si ile karıştırılmamalıdır. İkincisi, çağrı merkezleri, dil asistanları veya çeviri hizmetleri gibi kendi uygulamalarınız için yapılandırılabilir bir geliştirici arayüzüdür. Eski kademeye göre gecikme önemli ölçüde azalmış olsa bile sıra tabanlı çalışmaya devam ediyor. Mayıs ayında tanıtılan GPT-Realtime-2, 128.000 jetona kadar genişletilmiş bir bağlam penceresi, paralel araç çağrıları ve ayarlanabilir muhakeme düzeyleri getirdi.

Başlangıçta Gelişmiş Ses Modunun bir özelliği olan sesli görüşmeler sırasında video ve ekran paylaşımı eksik. OpenAI, daha az yaygın olan dillerde modelin yabancı aksanla konuşabileceğini veya boşlukların ortaya çıkabileceğini belirtiyor.

İlk model GPT-Live-1 Go, Plus ve Pro kullanıcıları için standart olacak, daha küçük versiyon olan GPT-Live-1 mini ise ücretsiz erişime açılacak. İOS, Android ve ChatGPT.com'da mevcuttur.

(vza)