OpenAI lançou o GPT-Live na quarta-feira, apresentando dois novos modelos de voz que substituem o modo de voz avançado existente. Os modelos GPT-Live-1 e GPT-Live-1 mini permitem ouvir e falar simultaneamente, imitando a conversa humana. GPT-Live-1 é o padrão para usuários pagos nos níveis Go, Plus e Pro, enquanto GPT-Live-1 mini é para usuários de nível gratuito.
A implementação começa globalmente em iOS, Android e ChatGPT.com. A OpenAI planeja integrar os modelos em sua API para desenvolvedores. GPT-Live representa a terceira geração da tecnologia de voz ChatGPT desenvolvida em dois anos.
O principal recurso do GPT-Live é uma “arquitetura full-duplex”, que permite o processamento de áudio em tempo real enquanto gera respostas. “Em vez de processar uma sequência de mensagens separadas, o GPT-Live processa continuamente a entrada enquanto gera a saída”, disse OpenAI em um blog. Isso permite reconhecimentos de conversação como “mhmm” e evita interrupções durante as trocas.
O modo de voz avançado anterior, lançado em setembro de 2024, operava em trocas rígidas passo a passo, criando frustrações na experiência do usuário. O ruído de fundo pode desencadear respostas prematuramente, afetando o fluxo da conversa.
O GPT-Live também separa a interação de voz do raciocínio, delegando consultas complexas a um modelo de segundo plano, nomeadamente GPT-5.5, enquanto continua a conversa sem problemas. “Enquanto funciona, o GPT-Live pode continuar conversando com você e manter o fluxo da conversa”, explicou OpenAI.
A voz original do ChatGPT, lançada em 2023, dependia de um pipeline complexo que introduzia latência e perda de informações entre modelos. Essa configuração foi refinada no Modo de Voz Avançado, que tentou agilizar o processo, mas ainda resultou em pausas e interrupções estranhas.
A OpenAI busca mitigar as preocupações de controvérsias anteriores sobre a representação de voz, particularmente decorrentes da voz de “Sky”, semelhante à da atriz Scarlett Johansson. A empresa enfatizou que o GPT-Live evita a falsificação de identidade e incorpora salvaguardas contra a imitação de vozes de pessoas reais.
Atualmente, mais de 150 milhões de usuários interagem semanalmente com os recursos de voz do ChatGPT, parte de um total de 900 milhões de usuários ativos. Com o GPT-Live, os usuários podem acessar cartões visuais avançados e escolher entre três níveis de raciocínio de resposta: Instantâneo, Médio e Alto. O sistema também promete melhor desempenho no gerenciamento de ruídos de fundo e interrupções do usuário durante conversas.
As medidas de segurança evoluíram junto com os novos modelos. A OpenAI conduziu avaliações extensas, demonstrando o desempenho aprimorado do GPT-Live em categorias que incluem automutilação e discurso de ódio, abordando riscos únicos associados a interações de voz em tempo real.
Embora a OpenAI avance em sua tecnologia de voz, concorrentes como Google, ByteDance e Nvidia também lançaram recentemente seus próprios sistemas full-duplex. Atualmente, o GPT-Live carece de certos recursos, como interação de vídeo ou compartilhamento de tela, que estão se tornando padrão nas ofertas de IA de voz.
No geral, o GPT-Live representa um avanço significativo para OpenAI, pois posiciona a voz como uma camada primária de interação para inteligência artificial, visando capacidades mais naturais e de agente na comunicação de IA.
