GPT-Live: OpenAI zmienia rozmowę z ChatGPT w naturalną konwersację

OpenAI wprowadza fundamentalną zmianę w sposobie, w jaki rozmawiamy ze sztuczną inteligencją. W środę firma uruchomiła GPT-Live – parę nowych modeli głosowych, które całkowicie przeprojektowują architekturę rozmowy z ChatGPT. Dotychczasowy Advanced Voice Mode ustępuje miejsca systemowi zdolnemu do jednoczesnego słuchania i mówienia, co zbliża interakcję z AI do prawdziwej ludzkiej konwersacji.

Dwa modele – GPT-Live-1 oraz jego mniejszy wariant GPT-Live-1 mini – trafiają globalnie na iOS, Androida i stronę ChatGPT.com. GPT-Live-1 staje się domyślnym modelem głosowym dla użytkowników płatnych planów Go, Plus i Pro, a wersja mini obsługuje osoby korzystające z darmowego tieru. OpenAI zapowiada też udostępnienie modeli w API – deweloperzy mogą już zapisać się na powiadomienia. To trzecia generacja technologii głosowej ChatGPT w ciągu niespełna dwóch lat i najwyraźniejszy sygnał, że firma stawia na asystenta, który nie przypomina wyszukiwarki, lecz raczej współpracownika.

Pełny dupleks – dlaczego to zmienia zasady gry

Kluczową innowacją techniczną GPT-Live jest architektura pełnego dupleksu. W telekomunikacji termin ten oznacza, że obie strony rozmowy telefonicznej mogą jednocześnie mówić i słuchać. W przypadku AI chodzi o to, że model nieustannie przetwarza napływający dźwięk nawet wtedy, gdy sam generuje odpowiedź głosową. Nie trzeba już czekać na ciszę, by system zrozumiał, że skończyliśmy myśl.

OpenAI wyjaśnia w swoim blogu badawczym, że zamiast przetwarzać sekwencję oddzielnych wiadomości, GPT-Live w sposób ciągły analizuje wejście podczas generowania wyjścia. Dzięki temu model podejmuje decyzje o interakcji wiele razy na sekundę: czy mówić dalej, kontynuować słuchanie, zrobić pauzę, przerwać, czy uruchomić narzędzie.

Jak to wygląda w praktyce

W codziennym użytkowaniu przekłada się to na asystenta głosowego, który potrafi wtrącić potwierdzenia – „mhm”, „no tak”, „rozumiem” – gdy jeszcze mówimy. Wyłapuje naturalną pauzę, nie wchodząc w słowo zbyt wcześnie, i radzi sobie z nagłymi przerwami bez rozbijania całej wymiany zdań. Poprzednia wersja Advanced Voice Mode, udostępniona płatnym użytkownikom we wrześniu 2024 roku, działała na sztywnych zasadach naprzemiennych tur. Jak przyznaje samo OpenAI, wykrywanie końca tury opierało się na ciszy – przez co krótka pauza czy odgłos w tle mogły zostać błędnie odczytane jako sygnał do zakończenia wypowiedzi. Powodowało to nienaturalne przerwania w najmniej odpowiednich momentach.

Ta kruchość sprawiała, że produkt – choć imponujący w pokazach – w dłuższym, rzeczywistym użytkowaniu bywał frustrujący. Gwar rozmów w kawiarni mógł wywołać odpowiedź. Chwila zastanowienia bywała pomijana. Jeden z badaczy skomentował to na X krótko po ogłoszeniu, porównując poprzedni system do „przekazywania sobie walkie-talkie”. GPT-Live ma zamknąć ten rozdział.

Jak OpenAI oddzieliło głos od inteligencji

GPT-Live wprowadza drugą, równie ważną zmianę strukturalną: rozdziela warstwę interakcji głosowej od warstwy rozumowania. Gdy użytkownik zadaje proste pytanie, model obsługuje je samodzielnie. Jeśli jednak zapytanie wymaga wyszukiwania w sieci, głębszej analizy lub złożonych działań agentowych, GPT-Live deleguje zadanie do modelu frontierowego działającego w tle – na starcie jest to GPT-5.5, duży model językowy wydany przez OpenAI w kwietniu – i kontynuuje rozmowę, podczas gdy obliczenia zachodzą asynchronicznie.

OpenAI podkreśla, że w trakcie takiego przetwarzania model głosowy może swobodnie rozmawiać, utrzymując płynność konwersacji. W miarę pojawiania się nowych modeli frontierowych, będą one stopniowo zastępować ten używany przez GPT-Live. To rozwiązanie architektoniczne ma istotne znaczenie: zamiast budować monolityczny model głosowy, który musi być jednocześnie płynny konwersacyjnie i głęboko inteligentny, OpenAI podzieliło problem na dwie części. Powstał model głosowy zoptymalizowany pod kątem interakcji czasu rzeczywistego oraz oddzielny silnik rozumowania, który można wymieniać w miarę postępu technologii.

Znaczenie dla firm i deweloperów

Taka modułowa konstrukcja oznacza, że inteligencję asystenta głosowego można ulepszać bez ponownego trenowania samego modelu głosowego. Dla zastosowań korporacyjnych i deweloperskich ma to ogromne konsekwencje. Agent głosowy zbudowany na tej architekturze może prowadzić naturalną rozmowę z klientem, jednocześnie przeszukując bazy danych, przeglądając internet czy wykonując wieloetapowe rozumowanie – zadania, które w starym systemie oznaczałyby kilka sekund martwej ciszy.

Trzy generacje głosu ChatGPT – od potoku do strumienia

Aby zrozumieć skalę zmiany, warto prześledzić trzy pokolenia technologii głosowej ChatGPT prowadzące do GPT-Live. Oryginalny ChatGPT Voice z 2023 roku korzystał z kaskadowego potoku: model rozpoznawania mowy Whisper zamieniał słowa na tekst, GPT-4 generował odpowiedź pisemną, a model syntezy mowy przekształcał ją z powrotem w dźwięk. Każde przejście między komponentami wprowadzało opóźnienie i traciło część informacji. OpenAI przyznaje, że złożoność tego rozwiązania miała swoją cenę: odpowiedzi były powolne i sztywne. Według analizy bloga OpenHelm z października 2024 roku, opóźnienie w starym potoku sięgało około 1700 milisekund – blisko dwóch sekund ciszy, zanim padło pierwsze słowo odpowiedzi.

Advanced Voice Mode, którego ograniczone wdrożenie rozpoczęło się w lipcu 2024 dla płatnych subskrybentów ChatGPT Plus, a szersze we wrześniu, skompresował ten trzyskładnikowy potok w jeden model przetwarzający dźwięk natywnie. Wprowadził też pięć nowych głosów – Arbor, Maple, Sol, Spruce i Vale – oraz lepsze radzenie sobie z akcentami. Mimo to nadal działał na zasadzie oddzielnych, naprzemiennych tur. Jego premierę przyćmił jednak poważny kryzys wizerunkowy, z którym OpenAI wciąż się mierzy.

Cień kontrowersji wokół Scartlett Johansson

Advanced Voice Mode pojawił się tuż po jednym z najbardziej szkodliwych dla OpenAI incydentów. Podczas premiery GPT-4o w maju 2024 roku firma zaprezentowała głos o nazwie Sky, który – jak natychmiast zauważyli słuchacze – brzmiał uderzająco podobnie do Scarlett Johansson, aktorki znanej z roli asystentki AI w filmie „Ona” z 2013 roku. Johansson oświadczyła, że odrzuciła propozycję udźwiękowienia systemu od Sama Altmana, a następnie była „zszokowana, wściekła i nie mogła uwierzyć”, gdy produkt trafił na rynek z głosem, którego jej znajomi nie odróżniali od jej własnego – relacjonowała NBC News. Altman tego samego dnia opublikował na X wpis składający się z jednego słowa: „her”.

OpenAI wycofało głos i przeprosiło, ale sprawa zwróciła uwagę Kongresu i związku zawodowego SAG-AFTRA, który podkreślił konieczność federalnej ochrony głosów i wizerunków przed nieautoryzowaną cyfrową replikacją. Publicysta Forbesa Paul Tassi napisał wówczas, że Altman, „wynosząc 'Ona’ na piedestał jako coś, do czego należy dążyć, przegapił przesłanie tego filmu” – w którym relacja bohatera z asystentką AI ostatecznie przynosi mu więcej szkody niż pożytku. GPT-Live zdaje się próbować zostawić te kontrowersje za sobą. OpenAI informuje, że „remasterowało dziewięć odrębnych głosów w ChatGPT dla GPT-Live” i zapewnia, że system „jest zaprojektowany do rozmowy, a nie do imitowania głosu” oraz zawiera zabezpieczenia przed naśladowaniem prawdziwych osób.

Co odczuje 150 milionów tygodniowych użytkowników głosowych

OpenAI ujawniło, że ponad 150 milionów osób tygodniowo korzysta z funkcji głosowych i dyktowania w ChatGPT – to znaczący odsetek z 900 milionów wszystkich aktywnych użytkowników platformy. Funkcja głosowa stała się samodzielnym, istotnym produktem, używanym do nauki języków, czytania bajek na dobranoc, rozmów w drodze do pracy i codziennej pomocy bez użycia rąk. Nowe funkcje odzwierciedlają te zastosowania. GPT-Live wprowadza rozbudowane karty wizualne wyświetlane podczas rozmów głosowych – prognozę pogody, dane giełdowe, wyniki sportowe i mapy – dzięki czemu użytkownik ma coś, na co może spojrzeć, nie przerywając wypowiedzi.

Dostępne są trzy poziomy rozumowania odpowiedzi: Natychmiastowy (szybkie odpowiedzi), Średni (umiarkowane myślenie) i Wysoki (bardziej złożone zadania). Jeśli użytkownik potrzebuje chwili na zastanowienie, ChatGPT teraz czeka zamiast wtrącać się i przerywać. System lepiej radzi sobie też z hałasem w tle – przejeżdżające samochody czy rozmowy w pobliżu nie rozpraszają go tak łatwo. Wczesne reakcje użytkowników z dostępem preview były ostrożnie pozytywne. Jeden z nich napisał na X, że model jest „znacznie lepszy we frontendzie, długim kontekście i ma znacznie lepszy vibe”. Inny obserwator ujął sedno sprawy: „Inteligencja nie jest tu nowa – GPT-Live przekazuje trudne pytania do GPT-5.5. Nowy jest odbiór: pełny dupleks, który słucha, podczas gdy mówi”.

Testy bezpieczeństwa ujawniają nowe ryzyka

Opublikowana wraz z ogłoszeniem karta systemowa GPT-Live odsłania strategię bezpieczeństwa skoncentrowaną na szczególnych zagrożeniach płynących z interakcji głosowej w czasie rzeczywistym. W tej domenie szybkość i intymność rozmowy tworzą ryzyka, których nie ma w czacie tekstowym. OpenAI rozszerzyło swoje ewaluacje bezpieczeństwa o testy natywne audio, wykorzystując zarówno rzeczywiste próbki głosu użytkowników (od tych, którzy wyrazili zgodę), jak i syntetycznie generowane prompty celujące w kategorie takie jak samookaleczenie, treści seksualne, nielegalne zachowania, uzależnienie emocjonalne, zdrowie psychiczne i mowa nienawiści.

W testach syntetycznych – celowo adversarialnych – GPT-Live-1 wykazał znaczną poprawę względem Advanced Voice Mode. W przypadku nielegalnych zachowań wynik bezpieczeństwa wzrósł z 0,63 do 0,97. W kategorii samookaleczeń z 0,72 do 0,98. Mowa nienawiści osiągnęła perfekcyjne 1,00 wobec 0,87 wcześniej. W testach na rzeczywistych promptach użytkowników, odzwierciedlających bardziej niejednoznaczne, graniczne scenariusze, obraz był mieszany. GPT-Live-1 dorównał Advanced Voice Mode lub go przewyższył w większości kategorii, ale odnotowano niewielki spadek w zakresie uzależnienia emocjonalnego (z 0,88 do 0,82), choć OpenAI zaznacza, że zmiana nie była statystycznie istotna.

Firma zbudowała zabezpieczenia czasu rzeczywistego, które mogą interweniować, gdy model mówi – kierując odpowiedź w bezpieczniejszą stronę, wyświetlając zasoby kryzysowe lub całkowicie kończąc rozmowę w sytuacjach wysokiego ryzyka. Dodano też ochronę dla nastoletnich użytkowników i dostosowano wsparcie w przypadku samookaleczeń dla kanału głosowego, w tym integrację z infolinią kryzysową. Być może najważniejsze: OpenAI zapowiada wdrożenie długoterminowego pomiaru i monitorowania po uruchomieniu, skoncentrowanego właśnie na uzależnieniu emocjonalnym – uznając, że naturalność, do której dąży GPT-Live, sama w sobie tworzy nową kategorię ryzyka.

Wyścig o pełny dupleks – Google, ByteDance i Nvidia już grają

Podczas gdy OpenAI dopracowywało swoje zabezpieczenia, rywale wypuszczali własne systemy pełnego dupleksu. Gemini Live od Google obsługuje już pełny dupleks wraz z udostępnianiem kamery i ekranu – funkcji, których GPT-Live na starcie brakuje. Google wydało w marcu Gemini 3.1 Flash Live jako swój najwyższej jakości model audio czasu rzeczywistego, skierowany do deweloperów. ByteDance uruchomił Seeduplex w kwietniu, twierdząc, że jest to pierwszy produkcyjny system pełnego dupleksu w skali, wdrożony w aplikacji Doubao. Firma raportuje około 50-procentową redukcję fałszywych odpowiedzi i fałszywych przerwań w porównaniu z poprzednim systemem. Nvidia z kolei wypuściła PersonaPlex w styczniu, oferując konfigurowalny głos i kontrolę roli w modelach pełnego dupleksu, przełamując ograniczenie, w którym naturalnie brzmiące modele były przypisane do jednego, stałego głosu.

Obraz konkurencji jest jasny: interakcja głosowa w pełnym dupleksie szybko staje się standardem w produktach konsumenckich AI, a nie wyróżnikiem. Przewaga OpenAI leży w skali istniejącej bazy użytkowników, integracji z możliwościami rozumowania GPT-5.5 oraz szerokości ekosystemu ChatGPT. Okno, w którym jakakolwiek firma ma monopol na naturalnie brzmiący głos AI, już się jednak zamknęło. OpenAI przyznaje też kilka ograniczeń: GPT-Live nie obsługuje głosu z wideo ani udostępniania ekranu, wsparcie językowe jest ograniczone (model może mieć nierodzimy akcent w niektórych językach), a dostęp do API nie jest jeszcze gotowy, co spowalnia penetrację komercyjnych zastosowań, w których konkurenci tacy jak Google, ElevenLabs czy Deepgram oferują już gotowe produkty dla deweloperów.

GPT-Live to najpoważniejszy jak dotąd zakład OpenAI na głos jako podstawowy interfejs dla AI – nie jako wygodny dodatek do czatu tekstowego, ale celowo zaprojektowana warstwa interakcji, która łączy użytkownika z najpotężniejszymi modelami firmy. „Z czasem wierzymy, że te badania odblokują możliwość wykorzystania głosu do coraz bardziej złożonych, dłuższych i bardziej autonomicznych zadań agentowych” – pisze OpenAI. Wyobrażenie sobie, że mówimy do telefonu, by ten zarezerwował lot, negocjował z ubezpieczycielem czy debugował serwer produkcyjny – a wszystko w rozmowie tak naturalnej jak z asystentem, który ma inteligencję modelu frontierowego – to logiczny cel tej architektury.

Dwa lata temu rozmowa z ChatGPT oznaczała dyktowanie do mikrofonu i czekanie prawie dwóch sekund na sztywną odpowiedź. Rok temu – płynniejszą wymianę, która wciąż przypominała uprzejmą, nieco niezręczną rozmowę telefoniczną z kimś, kto koniecznie musi poczekać, aż skończysz zdanie. Dziś – coś znacznie bliższego prawdziwej konwersacji: niedoskonałej, wciąż ograniczonej w niektórych językach i pozbawionej wideo, ale bez wątpienia bliższej. OpenAI miało kiedyś kłopoty przez chęć odtworzenia filmu „Ona”. Z GPT-Live firma może wreszcie zmierzyć się z trudniejszym pytaniem, które ten film zadawał: nie czy AI potrafi brzmieć wystarczająco ludzko, by z nią rozmawiać, ale co dzieje się z nami, gdy tak właśnie robi.