مقایسه Gemini Live با ChatGPT Voice؛ کدام هوش مصنوعی مکالمه طبیعی‌تری ارائه می‌دهد؟

طبیعی بودن بیش از حد صدا برای برخی از کاربران حتی ممکن است عجیب به نظر برسد.

هنگامی که ChatGPT در سال ۲۰۲۲ عرضه شد، تنها راه تعامل با آن از طریق صفحه‌کلید بود؛ اما طولی نکشید که پیشرفت بزرگ بعدی یعنی گفت‌وگوی صوتی بلادرنگ فرا رسید. حالت Voice Mode در ChatGPT نخستین قابلیت در این زمینه بود، اما طولی نکشید که Google نیز با Gemini Live وارد میدان رقابت شد. برخلاف دستیارهای صوتی قدیمی‌تر مانند Google Assistant، این چت‌بات‌ها می‌توانند در مورد هر موضوعی مکالماتی روان داشته باشند و حتی برای یافتن اطلاعات به‌روز در اینترنت جست‌وجو کنند.

با وجود این شباهت‌ها، Google و OpenAI رویکردهای کاملاً متفاوتی را در چت صوتی در پیش گرفته‌اند؛ یکی از آن‌ها صدایی به‌مراتب طبیعی‌تر دارد، در حالی که دیگری پاسخ‌های خود را بر اساس داده‌های زندگی دیجیتال کاربر شخصی‌سازی می‌کند. بررسی‌های طولانی‌مدت روی هر دو سرویس ChatGPT Voice و Gemini Live نقاط قوت و ضعف هرکدام را به خوبی نمایان کرده است.

مقایسه ChatGPT Voice و Gemini Live: کدام دستیار برتر است؟

روی کاغذ، ChatGPT Voice و Gemini Live شباهت‌های بسیاری دارند؛ هر دو به صورت بلادرنگ پاسخ می‌دهند و صداهای متنوعی را برای انتخاب در اختیار کاربر می‌گذارند. تفاوت اصلی در مدل‌های زیربنایی آن‌ها نهفته است: ChatGPT از خانواده مدل‌های GPT بهره می‌برد و چت‌بات Google بر پایه مدل‌های Gemini توسعه یافته است. با گذر از تئوری، تجربه استفاده واقعی از این دو چت‌بات کاملاً متفاوت جلوه می‌کند.

حالت صوتی ChatGPT Voice در انتخاب کلمات بسیار گویاتر عمل می‌کند و برای شبیه‌تر شدن به انسان، اصطلاحات و نشانه‌های طبیعی مکالمه را به کار می‌گیرد؛ برای نمونه، اغلب با عباراتی شبیه به «اوهوم» تظاهر به فکر کردن می‌کند و حتی گاهی در میانه جملات با تپق‌های واقع‌گرایانه صحبت می‌کند.

در مقابل، لحن پاسخ‌های Gemini Live به دلیل تفاوت در لحن و زیروبم صدا، یکنواخت‌تر و تخت‌تر به نظر می‌رسد. البته برخی کاربران ممکن است از فراز و فرودهای اغراق‌آمیز ChatGPT خوششان نیاید و لحن آرام‌تر رویکرد Google را ترجیح دهند.

تفاوت محسوس دیگر، تمایل بیشتر ChatGPT Voice به جست‌وجوی اینترنتی پیش از ارائه پاسخ است. در آزمایشی برای پرسش درباره انتشار نسخه فرضی Gemini 3.8 Live، چت‌بات Google به دانش قبلی خود تکیه کرد و مدعی شد چنین نسخه‌ای وجود ندارد؛ در حالی که ChatGPT Voice با چند ثانیه مکث به اینترنت متصل شد و پاسخ درست را تحویل داد. از این رو برای اطمینان از صحت اطلاعات در Gemini Live، معمولاً باید صریحاً درخواست جست‌وجو در وب ثبت شود.

جدا از این موارد، هر دو ابزار توانایی پاسخ به پرسش‌ها، جست‌وجوی اطلاعات و جابه‌جایی سریع میان چند زبان را دارند. البته نباید انتظار داشت کیفیت پاسخ‌های صوتی دقیقاً در سطح پاسخ‌های متنی باشد؛ زیرا مکالمات صوتی به سرعت عمل بالایی نیاز دارند و هر دو شرکت برای اولویت دادن به سرعت، از مدل‌های سبک‌تر و اندکی ضعیف‌تر در پردازش‌های پیچیده استفاده می‌کنند.

آیا استفاده از ChatGPT Voice و Gemini Live رایگان است؟

در صورت استفاده از نسخه‌های رایگان ChatGPT یا Gemini، متوجه خواهید شد که هر دو ابزار تنها چند دقیقه اجازه گفت‌وگو می‌دهند و سپس دسترسی را قطع می‌کنند؛ چرا که پردازش داده‌های صوتی بار محاسباتی بسیار سنگین‌تری نسبت به متن دارد. هر دو شرکت OpenAI و Google پلن‌های پولی ارائه می‌کنند که سقف استفاده را به میزان قابل توجهی ارتقا می‌دهد و دسترسی به مدل‌های پیشرفته‌تر را ممکن می‌سازد. به عنوان نمونه در ChatGPT، مدل GPT-Live-1 mini در پلن رایگان، فاقد توانایی‌های استدلالی مدل اصلی GPT-Live-1 است.

پلن ChatGPT Go ارزان‌ترین طرح اشتراکی است که ماهانه ۸ دلار قیمت دارد، در حالی که هزینه اشتراک پلاس هوش مصنوعی Google معادل ۵ دلار در ماه است. ارتقای بعدی در هر دو سرویس، اشتراک‌های ۲۰ دلاری است. اشتراک‌های Google ارزش خرید بالاتری دارند، زیرا حتی پایه این پلن‌ها شامل ۴۰۰ گیگابایت فضای ابری با قابلیت اشتراک‌گذاری برای پنج عضو خانواده است.

علاوه بر این، هر دو چت‌بات از ورودی دوربین همراه با صدا پشتیبانی می‌کنند که امکان نشان دادن محیط پیرامون به مدل را برای درک بهتر زمینه فراهم می‌آورد. این ویژگی باعث می‌شود کاربران به جای توضیح کلامی، کار در حال انجام را مستقیماً نشان دهند؛ به عنوان مثال هنگام تعمیر دوچرخه، Gemini Live می‌تواند مراحل را گام‌به‌گام توضیح دهد و با افزودن نشانگرهای بصری روی فید ویدیوی زنده، محل پیچ‌های نیازمند آچارکشی را مشخص کند.

با این حال، دسترسی به دوربین در هنگام چت صوتی در ChatGPT محدود به اشتراک ماهانه ۲۰ دلاری است؛ در حالی که قابلیت معادل آن در Google، حداقل تا سقف مشخصی، به صورت رایگان ارائه می‌شود. اشتراک پایه ChatGPT Go نیز به طرز شگفت‌آوری فاقد دسترسی به دوربین در حالت صوتی است.

برتری‌های کلیدی Gemini Live در برابر ChatGPT Voice

تنوع گسترده سخت‌افزارها و خدمات نرم‌افزاری Google مزیت رقابتی مهمی در برابر OpenAI به آن بخشیده است. برای نمونه، می‌توان از Gemini Live روی اسپیکرهای اختصاصی Google Home استفاده کرد. این شرکت حتی پشتیبانی از این قابلیت را به دستگاه‌های قدیمی‌تر Nest Audio و Hub اضافه کرده است؛ تا جایی که اسپیکر قدیمی Google Home Mini عرضه‌شده در سال ۲۰۱۷ نیز از آن پشتیبانی می‌کند. تنها شرط بهره‌مندی از آن، داشتن اشتراک ماهانه ۱۰ دلاری Google Home Premium است.

هدفون‌های سری Pixel Buds نیز ادغام عمیقی با Gemini Live دارند و اجازه می‌دهند گفت‌وگو تنها با فرمان صوتی آغاز شود. گرچه OpenAI در حال توسعه سخت‌افزارهای خانه هوشمند اختصاصی خود است، اما هنوز جزئیاتی درباره قیمت یا زمان عرضه آن اعلام نشده است. در هر حال، Google با فروش میلیون‌ها اسپیکر و نمایشگر هوشمند، سد ورود به اکوسیستم Gemini Live را برای مخاطبان بسیار پایین آورده است.

افزون بر این، Gemini Live می‌تواند برای ارائه پاسخ‌های شخصی‌سازی‌شده، به حساب کاربری شخصی Google متصل شود. این ویژگی با عنوان هوش شخصی (Personal Intelligence)، امکان بررسی ایمیل‌ها، ویدیوهای YouTube و اسناد ذخیره‌شده در Google Drive را مهیا می‌سازد.

به عنوان نمونه، در صورت استعلام قبض‌های دریافتی ماه جاری، Gemini Live پس از چند ثانیه تمام موارد موجود در اینباکس Gmail را فهرست می‌کند. همچنین این چت‌بات در میانه مکالمه می‌تواند رویدادی را در تقویم ثبت کرده یا لوازم خانه هوشمند را مدیریت کند. در طرف مقابل، ChatGPT فعلاً دسترسی مستقیمی به اطلاعات شخصی دیجیتال یا خدمات Google مانند Maps و YouTube ندارد.

با تمام این تفاسیر، هنگامی که نیازی به این ویژگی‌های اکوسیستمی نباشد، صدای گرم‌تر و پاسخ‌های انسانی‌تر ChatGPT Voice همچنان تجربه جذاب‌تری برای مکالمه صوتی رقم می‌زند. با توجه به در دسترس بودن نسخه پایه هر دو ابزار، بررسی میدانی عملکرد هرکدام بهترین راهکار برای تصمیم‌گیری پیش از تهیه اشتراک‌های پولی است.