במשך שנים דיברנו אל המכונה ואז חיכינו שתסיים לחשוב לפני שתענה. עכשיו OpenAI מנסה לשבור את הכלל הבסיסי הזה: מודל קול חדש שמקשיב ומדבר בו-זמנית, מפזר "אהמ" ו"כן" באמצע המשפט, ויודע מתי כדאי פשוט לשתוק. השאלה האמיתית היא לא אם זה נשמע יותר אנושי, אלא מה קורה כשהשיחה עצמה הופכת לממשק.
רוצים לקבל עדכונים בלייב? רוצים מקום בו אתם יכולים להתייעץ עם מומחי AI, לשאול שאלות ולקבל תשובות? רוצים לשמוע על מבצעים והטבות לכלי ה-AI שמשנים את העולם? הצטרפו לקהילות ה-AI שלנו.
אפשר גם להרשם לניוזלטר שלנו
ChatGPT קיבל שדרוג משמעותי לחוויית הקול שלו. OpenAI השיקה את GPT-Live, דור חדש של מודלי קול שאמורים לגרום לשיחה עם בינה מלאכותית להרגיש קרובה יותר לשיחה עם אדם. ההשקה יוצאת לכל משתמשי ChatGPT ברחבי העולם בשתי גרסאות, GPT-Live-1 ו-GPT-Live-1 mini, ומאחורי הכותרת השיווקית מסתתר שינוי ארכיטקטוני שמעניין הרבה יותר מהשם.
העיקרון המרכזי נקרא full-duplex, ארכיטקטורה שמאפשרת למודל להאזין ולדבר באותו הרגע. במקום להמתין שנפסיק לדבר ואז לייצר תשובה, GPT-Live מעבד קלט ומייצר פלט ברצף אחד. בפועל זה אומר שהמודל מסוגל להראות שהוא מקשיב באמצעות מילות מילוי כמו "אהמ" או "כן", להיכנס לדו-שיח מהיר, או פשוט לשמור על שקט כשאנחנו צריכים רגע לחשוב.
למה זה לא היה אפשרי עד עכשיו
כדי להבין את המשמעות, כדאי להסתכל על הדרך שבה מערכות הקול הקודמות עבדו. הגרסה המקורית של ChatGPT Voice שרשרה שלושה מודלים נפרדים: מודל שתמלל את הדיבור לטקסט, מודל שפה שהפיק תשובה, ומודל נוסף שהפך את התשובה חזרה לקול. הגישה הזאת אפשרה לראשונה לדבר עם מודלים מתקדמים, אבל המחיר היה כבד. מידע הלך לאיבוד במעבר בין המודלים, והתשובות היו איטיות ומגומגמות.
הדור הבא, מצב הקול המתקדם של ChatGPT, איחד את העיבוד וההפקה של האודיו לתוך מודל אחד והוריד את ההשהיה. אבל גם הוא עבד בתורות בדידות. המודל היה חייב להמתין שהמשתמש יסיים לדבר לפני שהגיב, מה שיצר דו-שיח נוקשה. וכיוון שזיהוי סוף התור התבסס על שתיקה, אפילו הפסקה קצרה או רעש רקע יכלו להיחשב בטעות כסוף המשפט, ולגרום למודל להתפרץ בזמן הלא נכון.
השוואת העדפה בין שתי שיחות מול AVM. מקור OpenAI
שני שינויים שמזיזים את המחט
GPT-Live מתמודד עם המגבלות האלה דרך שני שינויים בארכיטקטורה. הראשון הוא האינטראקציה הרציפה שכבר תיארנו: במקום לעבד רצף של הודעות נפרדות, המודל מקבל החלטות פעולה עשרות פעמים בשנייה. האם לדבר, האם להמשיך להקשיב, האם לעצור, להתפרץ או להפעיל כלי. זה מה שמאפשר תחושת זמן טובה יותר ואפילו תרגום חי תוך כדי שיחה.
הפרדה בין השיחה לחשיבה
השינוי השני מעניין אף יותר. OpenAI הפרידה בין GPT-Live, שמנהל את האינטראקציה הרציפה, לבין העבודה העמוקה יותר. כששאלה דורשת חיפוש ברשת, חשיבה מורכבת או משימה סוכנותית, GPT-Live יכול להעביר את המשימה למודל אחר ברקע. בשלב ההשקה זהו GPT-5.5. בזמן שהמודל העמוק עובד, מודל הקול ממשיך לדבר איתנו ושומר על זרימת השיחה, ואז מחזיר את התוצאה כשהיא מוכנה.
ארכיטקטורה שמתעדכנת מעצמה
לפיצול הזה יש יתרון נוסף שקל לפספס. מכיוון שהחלק החושב מנותק מהחלק שמדבר, אפשר להחליף אותו בכל פעם שיוצא מודל חזק יותר, בלי לגעת בשכבת השיחה. במילים אחרות, ChatGPT Voice יכול לשלב אינטליגנציה מתקדמת עם אינטראקציה טבעית, ולהמשיך להשתדרג מבלי שנצטרך ללמוד ממשק חדש בכל פעם.
דירוג שיחות של המודל. מקור OpenAI
מה זה משנה בפועל
מעל 150 מיליון אנשים מדברים עם ChatGPT מדי שבוע דרך תכונות כמו קול והכתבה. הם מבקשים עזרה בלי ידיים, מתרגלים שפות, מספרים סיפורים לפני השינה או סתם מדברים בדרך לעבודה. עבורם השדרוג מתבטא בכמה שינויים מוחשיים. אפשר להפריע באמצע בשאלה, לעצור כדי לאסוף מחשבות, או לבקש מ-ChatGPT להאט. המודל מאשר שהוא עוקב באמצעות מילים קצרות, ואם מבקשים ממנו לשתוק ולהקשיב, הוא עושה זאת.
נוסף על כך נכנסת שכבה חזותית. תוך כדי שיחה, ChatGPT יכול להציג כרטיסים ויזואליים לנושאים כמו מזג אוויר, מניות וספורט. 9 הקולות המובחנים של ChatGPT עברו עיבוד מחדש, וניתן לבחור את רמת החשיבה שמתאימה לצורך: מהיר לתשובות זריזות, או בינוני וגבוה כשרוצים שהמערכת תשקיע יותר זמן. מבחינת זמינות, GPT-Live-1 הופך לברירת המחדל למשתמשי Go, Plus ו-Pro, בעוד הגרסה המוקטנת GPT-Live-1 mini מוגדרת כברירת מחדל למשתמשי החינם.
הבטיחות מקבלת התאמה לקול
קול הוא ערוץ עם סיכונים משלו, ו-OpenAI מדגישה שהיא בנתה מנגנוני הגנה שפועלים בזמן אמת, בזמן שהמודל מדבר. כשהמערכת מזהה פלט שעלול להיות בעייתי, היא יכולה להטות את המודל לתשובה בטוחה יותר, להציג הודעות או משאבי תמיכה, או במקרים בסיכון גבוה אף לסיים את השיחה. עבור שיחות שנוגעות לפגיעה עצמית הותאמו זרימות התמיכה לפורמט קולי, כולל הפניה לקווי חירום.
OpenAI מוסיפה גם הגנות למשתמשים צעירים והתנהגות מותאמת גיל שאומנה ישירות לתוך המודל, לצד בקרות הורים. נקודה שראוי לשים לב אליה: המודל תוכנן לשיחה ולא לחיקוי קול, והוא משתמש בקבוצת קולות מוגדרת מראש עם מנגנונים שמונעים ממנו לחקות קול של אדם אמיתי.
מעבר להיבט הטכני, יש כאן משהו ששווה לעצור עליו. ככל שהשיחה עם המכונה נעשית חלקה יותר, כך גדל הסיכוי שנתייחס אליה כאל בן שיח ולא ככלי. OpenAI עצמה מציינת שהיא מרחיבה את המדידה סביב הישענות רגשית על הבינה המלאכותית. וזו אולי השאלה האמיתית שמסתתרת מאחורי כל ה"אהמ" וה"כן": כשהטכנולוגיה כבר יודעת מתי לשתוק ומתי להנהן, מי מאיתנו יזכור שמדובר בשורות קוד ולא בבן אדם שמקשיב?
