OpenAI откри достъпа до хиперреалистичния глас на ChatGPT за някои платени потребители

OpenAI започна да внедрява гласовия интерфейс Advanced Voice Mode за услугата ChatGPT — малък брой абонати на ChatGPT Plus са получили достъп до хиперреалистичните диалози с GPT-4o. Разработчикът обеща, че до есента всички притежатели на платен абонамент ще могат да използват новата функция.

OpenAI за първи път демонстрира гласовия формат GPT-4o през май, когато функцията удиви публиката не само със способността си да предоставя бързи отговори, но и със сходството на един от гласовете с гласа на Скарлет Йохансон. Актрисата каза, че е отказала на ръководителя на компанията Сам Алтман правото да използва нейния глас за тези цели; след което трябваше да се обърне към адвокати за защита на интересите си, а OpenAI се отказа от намеренията си, за да не се стигне до конфликт. През юни компанията заяви, че ще отложи пускането на гласовия интерфейс, за да финализира мерките за сигурност.

По-рано анонсираните функции за AI-асистент, като видео-поддръжка и споделяне на екрана, няма да бъдат налични по време на алфа-тестовата фаза, но ще се появят „по-късно“. Засега потребителите ще трябва да се ограничат до гласовото взаимодействие. Преди това OpenAI използваше три AI-модела за прилагане на тази функция: един за преобразуване на гласа в текст, втори (GPT-4) за реалната обработка на заявките и трети за преобразуване на текстовия отговор на ChatGPT в глас. Обновеният GPT-4o е мултимодален — той решава всички тези проблеми независимо, осигурявайки минимално забавяне. Моделът също така е способен да разпознава емоционалните интонации в гласа на потребителя, като определя например тъга или вълнение; също така разбира и кога човек пее.

OpenAI ще пусне гласовия интерфейс ChatGPT постепенно, за да следи отблизо как се използва в действителност. Включените в групата потребители за алфа-тестването, ще получат известие чрез приложението ChatGPT, последвано от имейл с инструкции как да използват новите функции. Към днешна дата гласовите възможности на GPT-4o са тествани от повече от сто членове на затворения Red Team, говорещи 45 езика.

Гласовият режим на ChatGPT ще бъде ограничен до четири гласа: Juniper, Breeze, Cove и Ember, които са създадени с участието на актьори. Компанията е изключила гласа Sky, който беше сравнен с този на Скарлет Йохансон. OpenAI също така каза, че са предвидени филтри за блокиране на заявките за музика и други материали, които може да са защитени с авторски права — нещо, което доведе до съдебни дела от големи музикални издатели за стартъп компаниите като Suno и Udio.