OpenAI 推語音模型 GPT‑Live，AI 聆聽、回應對話還會適時插話
OpenAI 近日推出新一代語音模型 GPT‑Live 系列，與 ChatGPT 對話更能接近真人交流。
GPT‑Live 採用雙向架構，因此能同時聆聽和說話。對話時，GPT‑Live 能夠自然地來回對話，會用「對」、「嗯」、「了解」等表達模型正在聆聽，或在使用者需要思考時安靜等待。使用者也能插話提問、暫停一下整理思緒，或請 GPT‑Live 放慢說話速度，OpenAI 還為 GPT‑Live 重新製作了 9 種各具特色的聲音。
當需要網路搜尋資訊、深入推理或處理更複雜問題，GPT‑Live 會在幕後轉交其他先進模型如 GPT‑5.5 處理，等結果準備好後再帶到對話中。
OpenAI 開始向全球 ChatGPT 使用者推出 2 種版本的 GPT‑Live，包括 GPT‑Live‑1 和 GPT‑Live‑1 mini，OpenAI 很快將在 API 中提供 GPT‑Live 存取。
語音模型技術演進
AI 語音對話越來越接近真人交流，背後技術演進值得關注。
早期的 AI 語音系統，以串接式語音系統仰賴多款模型依序處理每一輪對話，例如 ChatGPT 語音是將 3 款模型串接在一起：語音轉文字模型用來轉錄語音，大型語言模型用來產生回應，文字轉語音模型則將回應轉回語音。這種方法雖讓使用者能與先進模型交談，但資訊可能在模型之間流失，回應也緩慢且生硬，這樣的複雜性帶來代價。
而像 ChatGPT 進階語音模式是採回合式語音模型，能在單一模型內處理並生成音訊，降低延遲且讓對話更順暢，但仍以對話回合為單位作為互動方式。模型必須等使用者停止說話才能回應，導致來回互動顯得僵硬。此外，由於對話回合偵測是以靜音為依據，短暫停頓或背景噪音皆有可能被誤認為對話回合結束，造成模型在不自然的時機插話。
如今 GPT‑Live 採雙向架構使模型能進行連續互動。GPT‑Live 不再逐則處理彼此獨立的訊息，而是在生成輸出的同時持續處理輸入，模型也有能力決定要說話還是繼續聆聽。這讓模型能自然地來回對話，更準確掌握對話節奏，甚至提供即時翻譯。
▲ ChatGPT 語音對話現在由 GPT‑Live 驅動。
值得一提的是，當 ChatGPT 偵測到可能產生不安全的輸出時，會引導 GPT‑Live 給出更安全的回應、顯示額外的安全訊息或資源，或在較高風險的狀況下結束語音對話。針對涉及自我傷害的對話，OpenAI 將 ChatGPT 的支援流程調整為適用於語音，包括提供經專家審核的求助專線。
OpenAI 指出，每週有超過 1.5 億人透過語音和聽寫等功能與 ChatGPT 對話，顯示與 AI 對話越來越普遍，然而互動過程可能還是有不流暢的狀況，GPT‑Live 可望好好改善這些問題，也對 Google 的Gemini Live 帶來競爭威脅。日常生活可以不必動手輸入，開口說話就能與 ChatGPT 聊聊天、練習語言、獲得協助。
（首圖來源：OpenAI）