آخرین بروزرسانی در ۱۸ تیر ۱۴۰۵ توسط Dr.Arman
شرکت OpenAI به تازگی از سیستم GPT-Live رونمایی کرده است. این ابزار فصل جدیدی در دنیای اخبار داغ فناوری باز میکند. جیپیتی لایو راه تعامل انسان با ماشین را به طور کامل تغییر میدهد.
این فناوری جایگزین حالت صوتی پیشرفته قبلی شده است. ساختار جدید به کاربران اجازه میدهد همزمان با هوش مصنوعی صحبت کنند. این تجربه دقیقاً مشابه یک گفتگوی انسانی و زنده است. دیگر نیازی به منتظر ماندن برای پایان پاسخ هوش مصنوعی نیست.
درک مفهوم معماری تمام دوطرفه در نسل جدید چتجیپیتی
اصلیترین پیشرفت فنی در این محصول، استفاده از معماری تمام دوطرفه است. در مهندسی مخابرات، این مفهوم به معنای ارسال و دریافت همزمان داده است. یعنی هر دو طرف تماس میتوانند همزمان گوش دهند و صحبت کنند.
در مدلهای قدیمی، کاربر باید منتظر سکوت مطلق میماند. اما GPT-Live ورودیهای صوتی را به صورت لحظهای پردازش میکند. این مدل در هر ثانیه چندین بار تصمیمگیری میکند. او میفهمد که چه زمانی باید گوش دهد یا پاسخ دهد.
این سیستم توانایی تشخیص صداهای پسزمینه را نیز دارد. اگر در محیط شلوغ باشید، هوش مصنوعی روی صدای شما تمرکز میکند. مکثهای کوتاه برای فکر کردن دیگر باعث قطع مکالمه نمیشوند. این یک جهش بزرگ در تجربه کاربری است.
ساختار صوتی جدید به خوبی تفاوت بین مکث و پایان جمله را میفهمد. این موضوع باعث میشود مکالمات کمتر حالت ماشینی داشته باشند. کاربران اکنون میتوانند به راحتی وسط حرف هوش مصنوعی بپرند. مدل به سرعت مسیر گفتگو را با نیاز جدید تطبیق میدهد.
جایگاه هوش مصنوعی صوتی در دنیای امروز و رقابت با بزرگان
بازار هوش مصنوعی صوتی به شدت در حال رقابت است. شرکتهای بزرگی مثل گوگل و بایتدنس محصولات مشابهی عرضه کردهاند. گوگل با سیستم Gemini Live وارد این رقابت شده است. بایتدنس نیز مدل Seeduplex را برای کاربران چینی معرفی کرد.
محصول OpenAI با تمرکز بر تجربه صوتی محض، متمایز میشود. این شرکت ایمنی مدل خود را به شدت افزایش داده است. در تستهای مربوط به رفتارهای مخرب، امتیاز مدل بسیار بالا است. نرخ پیشگیری از محتوای غیرقانونی به ۹۷ درصد رسیده است.
جدول زیر مقایسهای بین نسلهای مختلف صدای چتجیپیتی ارائه میدهد:
| ویژگی کلیدی | نسل اول (۲۰۲۳) | نسل دوم (۲۰۲۴) | نسل سوم (GPT-Live) |
|---|---|---|---|
| نوع معماری | چندمرحلهای (Pipeline) | تکمدلی صوتی | معماری تمام دوطرفه |
| تاخیر (Latency) | بسیار بالا (۱.۷ ثانیه) | متوسط | بسیار کم و لحظهای |
| قابلیت قطع کردن | غیرممکن | محدود و شکننده | بسیار منعطف و طبیعی |
هوش مصنوعی صوتی اکنون به یک ابزار کاربردی تبدیل شده است. بیش از ۱۵۰ میلیون نفر هر هفته از آن استفاده میکنند. این افراد برای تمرین زبان یا قصهگویی از آن بهره میبرند. حتی برای یادگیری مهارتهای جدید نیز دستیار صوتی بسیار مفید است.
البته محدودیتهایی نیز در نسخه اولیه وجود دارد. در حال حاضر امکان اشتراکگذاری تصویر یا ویدیو فراهم نیست. پشتیبانی از زبانهای غیرانگلیسی نیز هنوز در حال تکامل است. با این حال، هسته اصلی فناوری بسیار قدرتمند عمل میکند.
بررسی رابطه GPT-Live با مدلهای زبانی بزرگ و لایه استدلال
یکی از نوآوریهای مهم، تفکیک لایه صدا از لایه استدلال است. OpenAI از قدرت مدلهای زبانی بزرگ برای پردازشهای سنگین استفاده میکند. در واقع GPT-Live وظیفه مدیریت مکالمه و لحن را بر عهده دارد. اما سوالات سخت به مدل GPT-5.5 ارجاع داده میشوند.
این طراحی ماژولار اجازه میدهد هوش مصنوعی هوشمندتر شود. شرکت میتواند لایه استدلال را بدون تغییر لایه صدا ارتقا دهد. این موضوع برای کسبوکارها و توسعهدهندگان بسیار اهمیت دارد. آنها میتوانند دستیارهای صوتی هوشمندتری برای مشتریان خود بسازند.
توسعهدهندگان به زودی به API این سیستم دسترسی پیدا میکنند. این امر باعث ایجاد تحول در مراکز تماس صوتی میشود. دستیارهای مجازی میتوانند به طور همزمان پایگاه داده را جستجو کنند. آنها همزمان با جستجو، با مشتری گفتگو میکنند و مکث ندارند.
لیست زیر برخی از مزایای تفکیک لایه استدلال را نشان میدهد:
- امکان بهروزرسانی مداوم بخش هوش بدون نیاز به آموزش مجدد صدا
- انجام محاسبات سنگین در پسزمینه در حین ادامه مکالمه
- کاهش چشمگیر زمان انتظار برای دریافت پاسخهای تحلیلی
- توانایی استفاده از مدلهای مختلف بر اساس پیچیدگی سوال کاربر
این تفکیک باعث میشود مدل کمتر دچار خطا شود. لایه صوتی تنها روی طبیعی بودن بیان تمرکز میکند. لایه استدلال نیز تمام توان خود را صرف دقت علمی میکند. این ترکیب، بهترین نتیجه را برای کاربر نهایی به ارمغان میآورد.
در نهایت، هدف نهایی OpenAI ساخت یک نماینده هوشمند مستقل است. محصولی که بتواند کارهای چندمرحلهای را با دستور صوتی انجام دهد. مثلاً رزرو پرواز یا دیباگ کردن کدهای برنامهنویسی پیچیده. با معماری تمام دوطرفه، این رویا به واقعیت نزدیک شده است.
ما در حال عبور از عصر چتباکسهای متنی هستیم. آینده متعلق به رابطهای کاربری صوتی و غنی است. جایی که صحبت با ماشین، هیچ تفاوتی با صحبت با انسان ندارد. GPT-Live اولین قدم جدی در این مسیر طولانی و جذاب است.
امنیت و حریم خصوصی نیز در اولویت قرار دارند. شرکت اعلام کرده که صداها را شبیهسازی نمیکند. تمامی ۹ صدای موجود در سیستم، بازطراحی شدهاند. این صداها کاملاً اورجینال بوده و حقوق هنرمندان را رعایت میکنند.
در مجموع، این محصول نشاندهنده بلوغ فناوریهای هوشمند است. مدلهای زبانی بزرگ دیگر فقط متن تولید نمیکنند. آنها اکنون حس، لحن و زمانبندی را نیز درک میکنند. این موضوع در دنیای تجارت الکترونیک بسیار تاثیرگذار خواهد بود.
امیدواریم این تکنولوژی به زودی برای تمامی زبانها بهینه شود. دسترسی رایگان به نسخه مینی نیز گام مثبتی است. این کار باعث میشود افراد بیشتری با این فناوری آشنا شوند. دنیای ما با حضور GPT-Live قطعا شنیدنیتر خواهد شد.
منبع:
https://venturebeat.com/technology/openai-launches-gpt-live-a-full-duplex-voice-upgrade-that-lets-chatgpt-talk-more-like-a-person
مطالب مرتبط