OpenAI открыла разработчикам доступ к GPT-Live-1 через API. Голосовая модель умеет одновременно слушать человека и отвечать ему — такой режим называют полным дуплексом.
Пользователь может перебить ассистента или дополнить вопрос, не дожидаясь конца его реплики. GPT-Live-1 уже работает внутри ChatGPT.
Разработчики смогут подключать к голосовому интерфейсу разные серверные модели. Для простой задачи можно выбрать быстрый и дешёвый вариант, а для сложной — модель с более глубоким рассуждением. Сам голосовой API стоит $0,05 за минуту использования.
По внутренним тестам OpenAI, GPT-Live-1 заметно опережает GPT-Realtime-2.1. В проверке интерактивности новая модель набрала 80,1% против 45,4%. Задержка при передаче реплики сократилась с 1,4 до 0,8 секунды.
Точность вызова внешних инструментов выросла с 60% до 87%. Это важно для голосовых сервисов, которые должны не только разговаривать, но и выполнять действия: например, проверять данные или оформлять заказ.
В тесте банковской голосовой поддержки GPT-Live-1 успешно справилась с 32% заданий. Предыдущая модель показала 12,4%. При этом даже новый результат означает, что большая часть сценариев пока остаётся непройденной.
Сервис Yelp уже применяет модель для бронирования по телефону. Технический директор Yelp Алекс Леви сообщил, что система стала лучше обрабатывать звонки.
В API также появились 12 новых голосов с разными акцентами, диалектами и языками. Расшифровка речи пользователя и текст ответа предоставляются изначально. GPT-Live-1 делает голосовые приложения естественнее, но минута разговора стоит пять центов, а банковский тест модель проходит лишь в трети случаев.
