de.wedoany.com-Bericht: Das US-amerikanische KI-Unternehmen OpenAI hat eine neue Generation des Sprachmodells GPT-Live vorgestellt, das für eine natürlichere Mensch-Maschine-Sprachinteraktion entwickelt wurde. Das Modell basiert auf einer Vollduplex-Architektur, die kontinuierlich zuhören und in Echtzeit reagieren kann, ohne sich vollständig auf das traditionelle „Der Nutzer spricht einen Satz, das System beginnt zu antworten“-Wechselspiel von Sprachassistenten zu verlassen.
GPT-Live wird in zwei Versionen erscheinen: GPT-Live-1 und GPT-Live-1 mini. GPT-Live-1 wird das Standard-Sprachmodell für ChatGPT Voice für Go-, Plus- und Pro-Nutzer, während GPT-Live-1 mini das Standard-Sprachmodell für Free-Nutzer wird. OpenAI gibt an, dass GPT-Live weltweit schrittweise für ChatGPT-Nutzer eingeführt wird, einschließlich iOS, Android und ChatGPT.com.
Das Vollduplex-Prinzip ist der Kern dieser Modelländerung. Traditionelle Sprachinteraktionen warten in der Regel darauf, dass der Nutzer eine Pause macht oder seinen Redebeitrag beendet, bevor sie entscheiden, ob sie antworten sollen. Dies führt leicht zu Problemen wie Unterbrechungen, Verpassen von Inhalten, Verzögerungen oder unnatürlichen Unterbrechungen. GPT-Live kann während des Gesprächs kontinuierlich die Spracheingabe überwachen und gleichzeitig erkennen, ob der Nutzer eine Pause macht, etwas ergänzt, seine Aussage korrigiert oder eine sofortige Antwort des Modells erwartet. Das Modell kann Pausen, Zwischenrufe, Sprechgeschwindigkeitsänderungen und Wechsel im Gesprächsrhythmus verarbeiten, wodurch die Sprachinteraktion der Echtzeitkommunikation zwischen Menschen näher kommt.
GPT-Live ist für Echtzeit-Sprachagenten-Szenarien konzipiert. Das Modell muss gleichzeitig Sprachverständnis, Kontextverfolgung, Antwortgenerierung und Sprachausgabesteuerung durchführen und entscheiden, wann es weiter zuhört, wann es eine Antwort einfügt und wann es auf eine Ergänzung des Nutzers wartet. Im Vergleich zu einem Prozess, der Sprache einfach in Text umwandelt und dann eine Antwort generiert, integriert das Vollduplex-Sprachmodell Hören, Denken und Sprechen in ein einziges kontinuierliches Interaktionssystem, was höhere Anforderungen an die Latenzkontrolle, Spracherkennung, Kontexterhaltung und Gesprächswechselerkennung stellt.
OpenAI hat auch die GPT-Live-Systemkarte veröffentlicht, die besagt, dass GPT-Live-1 und GPT-Live-1 mini zur neuen Generation von Sprachmodellen gehören, mit dem Ziel, KI-Dialoge natürlicher und intelligenter zu gestalten. In der Systemkarte wird erwähnt, dass die Vollduplex-Fähigkeit es dem Modell ermöglicht, kontinuierlich zuzuhören und zu antworten, anstatt auf das Ende einer klaren Sprechrunde zu warten, bevor es handelt.
In Bezug auf die Produktform wird GPT-Live zunächst in ChatGPT Voice integriert. Nutzer können auf mobilen Geräten oder über das Web per Sprache mit ChatGPT interagieren, und das Modell antwortet in Echtzeit basierend auf dem Inhalt der Spracheingabe und dem Gesprächskontext. Für Anwendungen wie Sprachassistenten, Kundendienstroboter, Bildungstrainer, Meeting-Assistenten, Fahrzeuginteraktion und Echtzeit-Begleitdienste konzentrieren sich die Schlüsselindikatoren solcher Modelle auf Antwortlatenz, Unterbrechungsverarbeitung, natürliche Pausenerkennung, kontinuierliche Mehrfachdialoge und Stabilität der Sprachausgabe.
Im Bereich der API hat OpenAI die Registrierung für Benachrichtigungen zur GPT-Live-1-API geöffnet. Entwickler können sich bewerben, um zukünftige Verfügbarkeitshinweise zu erhalten. Sollte GPT-Live später in die API integriert werden, können Unternehmen und Entwickler die Vollduplex-Sprachfähigkeit in Sprachkundendienste, intelligente Hardware, Echtzeitübersetzung, Fernkollaboration und branchenspezifische Sprachagentenprodukte einbinden.
