OpenAI מהמרת על הקול: GPT-Live full-duplex עם 25% latency פחות

ה-GPT-Live של OpenAI הוא הימור על כך שהקול יהפוך לממשק המרכזי של ה-AI הצרכני וזה של המפתחים. GPT-Live-1 והגרסה המוקטנת שלו הם full-duplex — הם מקשיבים ומדברים בו-זמנית, מה שמאפשר קטיעות דיבור (barge-in) ותרגום כמעט סימולטני, במקום הקצב התורני של Advanced Voice Mode הישן. המודלים נכנסים ל-ChatGPT באופן מיידי ב-iOS, אנדרואיד ובוב, ו-OpenAI אומרת שתמיכה ב-API וב-Codex נמצאת בעבודה. בצד המפתחים, gpt-realtime-2.1 ו-gpt-realtime-2.1-mini ב-Realtime API חותכים את זמן ההשהיה (p95 latency) בלפחות 25% — המדד שקובע יותר מכל אם אפליקציית קול מרגישה שיחתית.

מבחינה מכניקה, אודיו full-duplex דורש מהמודל לעבד אודיו נכנס בזמן שהוא מייצר פלט — בעיה הנדסית קשה יותר מצינורות ה-half-duplex שרוב העוזרים משתמשים בהם. Greg Brockman כינה את זה 'AI קולי אינטליגנטי שמרגיש כמו שיחה טבעית', והוסיף שהצוות מרגיש שהוא 'רק מגרד את פני השטח'.

מבחינה תחרותית זה מכוון ל-Gemini Live של Google, שמבקרים עדיין מדרגים כאופציה הזולה יותר, ול-Siri המחודשת של Apple. תגובת הקהילה ב-The Verge ובשרשורי מפתחים הייתה חצויה: בודק אחד כינה את GPT-Live 'חכם יותר אבל רובוטי יותר' מקול ה-GPT-4o הישן, ומפתחים ציינו שהתמחור בשכבת ה-realtime שובר את הכלכלה של מוצרים צרכניים. שווה לעקוב אם OpenAI תסגור את פער המחירים מול Gemini Live ובאיזו מהירות תגיע גישת API, כי זה קובע את האימוץ בצד השלישי.