تجهیز ChatGPT به قابلیت‌های صوتی پیشرفته؛ دورخیز OpenAI برای تسلط بر بازار دستیاران هوشمند

تجهیز ChatGPT به قابلیت‌های صوتی پیشرفته؛ دورخیز OpenAI برای تسلط بر بازار دستیاران هوشمند

شرکت OpenAI با تمرکز بر قابلیت‌های صوتی، نفوذ خود را در بازار پررقابت دستیاران شخصی گسترش می‌دهد.

این شرکت روز چهارشنبه پیشرفته‌ترین سیستم صوتی خود را به وب‌سایت و اپلیکیشن موبایل ChatGPT اضافه کرد. این به‌روزرسانی به کاربران اجازه می‌دهد تا با استفاده از دستورات صوتی، وظایف یک‌باره یا تکرارشونده‌ای را که نیازمند طی کردن چندین مرحله، استفاده از مرورگر و درگیر کردن اپلیکیشن‌های مختلف هستند، به این سیستم واگذار کنند. OpenAI در آستانه رویداد بزرگ DevDay که هفته آینده برگزار می‌شود، روند معرفی محصولات جدید خود را سرعت بخشیده است.

اتی التی (Atty Eleti)، مدیر محصول بخش صوتی ChatGPT در OpenAI، در دمویی نشان داد که چگونه تنها با صحبت کردن با اپلیکیشن، این ابزار توانست هزینه‌های او در DoorDash را تحلیل کند، ۵ دلار برای رزرو زمین بازی بپردازد و تقویم کاری‌اش را بازآرایی کند.

التی در این باره گفت: «ما تصور می‌کنیم در آینده، کاربران از صدا به عنوان روش اصلی تعامل با هوش مصنوعی استفاده کنند؛ این همان هدف نهایی و ستاره قطبی ماست که برای رسیدن به آن تلاش می‌کنیم.»

دستیارهای شخصی هوش مصنوعی مانند Instinct و محصول Muse از شرکت Meta در حال حاضر توجه زیادی را در سیلیکون‌ولی به خود جلب کرده‌اند، زیرا صنعت فناوری به سمت توسعه اپلیکیشن‌هایی برای انجام کارهای اینترنتی پیچیده حرکت می‌کند. شرکت OpenAI پیش از این بسیاری از این قابلیت‌ها را در ChatGPT گنجانده بود، اما هنوز محصولی کاملاً تخصصی و مجزا در این زمینه عرضه نکرده است. معرفی این ابزار صوتی، اقدامی استراتژیک برای رقابت در بازار داغ دستیارهای هوش مصنوعی به شمار می‌رود.

در کوتاه‌مدت، این پیشرفت‌ها به کاربران کمک می‌کند تا در حین حرکت، کارهای خود را از طریق صحبت کردن به ChatGPT واگذار کنند. در بلندمدت، این قابلیت‌ها در خدمت جاه‌طلبی‌های سخت‌افزاری OpenAI خواهند بود؛ بر اساس گزارش‌های منتشرشده، این شرکت در حال ساخت یک اسپیکر هوشمند است که انتظار می‌رود در سال ۲۰۲۷ به بازار عرضه شود.

نسخه جدید، مدل صوتی OpenAI یعنی GPT-Live را به مدل‌های هوش مصنوعی متصل می‌کند که می‌توانند وظایفی را در رایانه‌ها یا مرورگرها انجام دهند؛ تمرکزی که این شرکت پیش از داغ شدن بازار ایجنت‌های هوش مصنوعی شخصی نیز حفظ کرده بود. مدل GPT-Live که می‌تواند به طور همزمان بشنود و پاسخ دهد، پیش‌تر برای حالت مکالمه پایه ChatGPT فعال شده بود و در اپلیکیشن دسکتاپ به مدل‌های ایجنت‌محور متصل بود.

به گفته التی، حالت صوتی سه مزیت اصلی دارد. نخست آنکه صحبت کردن سریع و طبیعی است و افراد می‌توانند افکار خود را به راحتی بیان کنند. دوم، کاربران می‌توانند بدون نیاز به در دست گرفتن دستگاه از آن استفاده کنند؛ و سوم، این ابزار در انجام کارهای صوتی مانند یادگیری یک زبان جدید یا تمرین سخنرانی بسیار مفید است. او اشاره کرد که تیم توسعه‌دهنده نیز در هنگام رفت‌وآمد و پیاده‌روی از این قابلیت استفاده می‌کنند.

بر اساس آمارهای ارائه‌شده، بیش از ۱۵۰ میلیون نفر هم‌اکنون از قابلیت‌های تبدیل گفتار به متن و حالت صوتی ChatGPT استفاده می‌کنند. با این حال، تیم توسعه با چالش‌های دشواری روبه‌رو است. اگرچه اسپیکرهای هوشمند جایگاه خود را پیدا کرده‌اند، اما محیط‌های کاری و ادارات همچنان بر پایه رایانه‌های دسکتاپ سازماندهی شده‌اند.

علاوه بر این، با وجود اینکه صحبت کردن سریع‌تر از تایپ کردن است، خواندن متن نیز نسبت به گوش دادن سرعت بیشتری دارد. التی تاکید کرد که تیمش در زمان تصمیم‌گیری برای نحوه پاسخگویی ChatGPT به درخواست‌های صوتی، این پویایی و تفاوت سرعت را به دقت در نظر گرفته است.

وی در پایان افزود: «ما این سیستم را صرفاً به عنوان یک ساختار ورودی و خروجی صوتی محض نمی‌بینیم. مسئله دریافت صدای کاربر و سپس ارائه خروجی مناسب است. این خروجی گاهی اوقات متن، گاهی صدا و گاهی ترکیبی از هر دو خواهد بود.»