آپدیت جدید اوپنای‌آی برای حالت صوتی ChatGPT؛ لهجه‌های محلی جدید و خداحافظی با تکه‌کلام‌های تکراری!

مدل صوتی GPT-Live-1.1؛ صداهای تازه و انتظار دلنشین‌تر موقع اجرای ابزار‌ها

اوپنای‌آی در حال عرضه نسخه GPT-Live-1.1 است؛ یک آپدیت تکاملی و تدریجی برای مدل پردازش بلادرنگ صدا. به لطف این تغییر، قابلیت ChatGPT Voice مجهز به زبان‌ها و گزینه‌های صوتی منطقه‌ای جدید، لهجه‌های طبیعی‌تر و دایره گسترده‌تری از تکه‌کلام‌های صوتی شده که در حین اجرای ابزار‌ها پخش می‌شوند. طبق یادداشت‌های انتشار رسمی، این به‌روزرسانی از امروز در دسترس تمامی کاربران ChatGPT قرار می‌گیرد و دسترسی آن از طریق API نیز به‌زودی باز خواهد شد.

صداهای متنوع و پایان تکرار خسته‌کننده عبارات

دستیار صوتی ChatGPT حالا علاوه بر نسخه اصلی GPT-Live-1.1، مدل سبک‌تری به نام GPT-Live-1.1 Quip را هم دریافت می‌کند؛ البته اوپنای‌آی هنوز جزییات فنی مربوط به تفاوت عملکرد، تأخیر زمانی یا اختلاف قیمت این دو مدل را اعلام نکرده است.

صداهای جدید در مرحله اول زبان‌های فرانسوی، آلمانی، هندی، ژاپنی، کره‌ای و اسپانیایی با لهجه مکزیکی را پوشش می‌دهند. اوپنای‌آی همچنین یک صدای انگلیسی تازه با نام Bubbie به جمع گزینه‌ها اضافه کرده است. البته دسترسی به این صداها ممکن است بر اساس منطقه جغرافیایی و نوع حساب کاربری تفاوت داشته باشد، بنابراین توسعه‌دهندگان نباید انتظار داشته باشند که همه این صداها در هر محیطی فوراً در دسترس باشند.

یکی دیگر از بهبودهای مهم GPT-Live-1.1، افزایش تنوع عباراتی است که هوش مصنوعی هنگام فراخوانی ابزار‌هایی مثل جستجوی وب یا اجرای کد به زبان می‌آورد. در نسخه قبلی یعنی GPT-Live-1، مدل اغلب در مکالمات طولانی یکسری کلمات محدود مثل «در حال بررسی» (checking) را پشت سر هم تکرار می‌کرد که واقعاً روی مخ بود! حالا با این آپدیت، پاسخ‌های میانی بسیار متنوع‌تر شده‌اند و دیگر خبری از پخش کلمات تکراری تا زمان آماده شدن نتیجه ابزار نیست.

فراخوانی ابزار‌ها و چالش تأخیر در پاسخ صوتی

در برنامه‌های صوتی بلادرنگ، وقتی یک ابزار فراخوانی می‌شود و روند صحبت مدل را قطع می‌کند، کاربر حتماً باید از وضعیت باخبر باشد. سکوت طولانی‌مدت کاربر را به این اشتباه می‌اندازد که شاید اتصال اینترنت قطع شده، در حالی که تکرار بی‌وقفه یک کلمه ثابت هم باعث می‌شود دستیار هوشمند کاملاً مکانیکی و مصنوعی به نظر برسد. مدل GPT-Live-1.1 دقیقاً با متنوع کردن عبارات وضعیت، این مشکل دوم را برطرف کرده است.

البته در توضیحات اوپنای‌آی ادعایی درباره کاهش سرعت یا تأخیر خود ابزار‌ها نشده است؛ به این معنی که سرچ در وب، ران کردن کد و ارتباط با APIهای خارجی ممکن است همچنان همان زمان قبلی را ببرند. تفاوت اصلی در این است که مدل حالا زمان انتظار کاربر را در طول گفت‌وگو بسیار طبیعی‌تر و روان‌تر مدیریت می‌کند.

معماری لایو (Live) طوری طراحی شده که هم‌زمان با تولید صوت، ورودی صدای کاربر را هم پردازش می‌کند؛ یعنی خودش تصمیم می‌گیرد چه زمانی به حرف زدن ادامه دهد، کجا مکث کند، کی گوش دهد، چطور به پریدن وسط حرفش (Interruption) واکنش نشان دهد یا چه زمانی دست به دامن یک ابزار شود. عبارات وضعیت جدید در واقع لایه شنیداری همین چرخه تصمیم‌گیری را زیباتر و باورپذیرتر کرده‌اند.

یک مدل یکپارچه برای رفت و برگشت صدا

در قابلیت قدیمی‌تر حالت پیشرفته صوتی (Advanced Voice Mode)، اوپنای‌آی از یک ساختار سه‌مرحله‌ای استفاده می‌کرد: ابتدا صوت کاربر به متن تبدیل می‌شد (STT)، بعد مدل زبانی پاسخ را متنی می‌نوشت و در نهایت موتور تبدیل متن به گفتار (TTS) خروجی صوتی را تولید می‌کرد. اما خانواده GPT-Live ورودی و خروجی صوت را درون یک مدل واحد ادغام کرده است؛ در نتیجه می‌تواند مستقیماً وسط مکالمه واکنش نشان دهد و دیگر نیازی نیست منتظر پیاده‌سازی کامل متن و تولید پاسخ بماند.

این طراحی دوطرفه هم‌زمان (Full-duplex) امکانات هیجان‌انگیزی را در اختیار توسعه‌دهندگان قرار می‌دهد:

• امکان قطع صحبت در میانه جمله و رعایت نوبت مکالمه به‌صورت کاملاً طبیعی
• واکنش‌های تأییدی بین حرف‌های کاربر مثل گفتن «اوهوم» یا اصوات تأیید حین صحبت طرف مقابل
• واگذاری پردازش‌ها به ابزار‌ها یا مدل‌های استدلالی در دل جریان مکالمه
• ساخت ایجنت‌های تلفنی و سیستم‌های پشتیبانی از مشتریان با مکالمه کاملاً روان

البته تسک‌های سنگین و پیچیده هنوز هم می‌توانند به یک مدل استدلالی جداگانه واگذار شوند. بنابراین زیرساخت سرور، زنجیره ابزار‌های متصل و مسیر شبکه همچنان روی کیفیت نهایی و تأخیر رفت‌وبرگشت پاسخ اثرگذار خواهند بود.

جزییات API هنوز در هاله‌ای از ابهام است

اوپنای‌آی در پست معرفی نسخه اولیه API قیمت GPT-Live-1 را ۵ سنت در دقیقه اعلام کرده بود که شامل قابلیت‌های مکالمه دوطرفه، مدیریت قطع صحبت و ۱۲ گزینه صوتی می‌شد. اما این شرکت هنوز قیمت، شناسه مدل‌ها، سقف نرخ فراخوانی (Rate Limits) یا راهنمای مهاجرت به GPT-Live-1.1 را منتشر نکرده است.

از طرفی قابلیت ساخت صداهای سفارشی همچنان به شکل سلف‌سرویس نیست و نیازمند هماهنگی اختصاصی با تیم فروش اوپنای‌آی است. اوپنای‌آی تأکید کرده این سیستم برای اپلیکیشن‌های گفت‌وگومحور بهینه‌سازی شده و تدابیر امنیتی سفت‌وسختی هم برای جلوگیری از جعل صدای افراد واقعی در آن تعبیه شده است.

نکاتی که توسعه‌دهندگان باید تست کنند

تیم‌هایی که در حال حاضر از GPT-Live-1 استفاده می‌کنند، قبل از مهاجرت قطعی به مستندات جدید API نیاز خواهند داشت. به محض باز شدن دسترسی‌ها، این موارد فنی و عملیاتی باید بررسی شوند:

1. بررسی و تطبیق دقیق شناسه مدل‌ها و سازگاری اندپوینت‌ها.
2. مقایسه رفتار سیستم در تشخیص نوبت صحبت و قطع کلام با پرامپت‌های قبلی.
3. اندازه‌گیری دقیق زمان تأخیر فراخوانی ابزار‌ها به‌صورت تفکیک‌شده از تکه‌کلام‌های جدید.
4. بررسی وضعیت دسترسی به صداها در مناطق جغرافیایی مختلف و سطوح کاربری گوناگون.
5. بررسی دقیق ساختار قیمت‌گذاری و محدودیت‌های نرخ مصرف پیش از انتقال ترافیک اصلی محصول.

بیش‌ترین بهره این آپدیت به اپلیکیشن‌های چندزبانه، ایجنت‌های تلفنی با فراخوانی مکرر ابزار‌ها و جریان‌های کاری صوتی در ابزار‌هایی مثل Codex می‌رسد. مدل GPT-Live-1.1 پوشش لهجه‌ها را ارتقا داده و صداهای تکراری زمان انتظار را حذف کرده است، هرچند که وضعیت هزینه‌های API، پیش‌نیازهای مهاجرت و تفاوت‌های دقیق عملکردی همچنان در انتظار اعلام رسمی اوپنای‌آی هستند.