OpenAI börjar nu rulla ut två nya röstmodeller i ChatGPT. Betalande användare får GPT-Live-1, medan gratiskonton får den mindre GPT-Live-1 mini. Modellerna blir tillgängliga på webben samt i apparna för IOS och Android.
Företaget uppger att utrullningen sker globalt. GPT-Live saknas däremot i Business, Enterprise och Edu vid lanseringen. Video och skärmdelning fungerar inte heller med det nya röstläget, även om de äldre röstmodellerna tills vidare finns kvar för användare som behöver funktionerna.
Sverige finns bland länderna där ChatGPT officiellt stöds och omfattas därmed av utrullningen. OpenAI påpekar dock att GPT-Live främst har optimerats för några av tjänstens mest använda språk. På andra språk kan rösten fortfarande få ett onaturligt uttal eller brister i flytet, vilket gör kvaliteten på svenska till en av de saker som återstår att testa i praktiken.
Annons
ChatGPT väntar inte längre på total tystnad
Den största nyheten är inte att rösten låter mer mänsklig, utan att modellen använder en så kallad full duplex arkitektur. Det innebär att GPT-Live kan ta emot ljud samtidigt som den själv pratar.
Tidigare röstmodeller fungerade i tydligare omgångar. Systemet lyssnade efter en paus, tolkade den som att användaren hade pratat klart och började sedan formulera sitt svar. Problemet var att även korta tankepauser eller bakgrundsljud kunde få modellen att avbryta vid fel tillfälle.
GPT-Live behandlar i stället ljudet kontinuerligt och fattar flera beslut varje sekund. Modellen avgör om den ska fortsätta lyssna, börja tala, pausa, låta sig avbrytas eller aktivera ett verktyg. Den kan därför vänta medan användaren tänker, svara på ett snabbt avbrott eller ge korta bekräftelser utan att ta över hela samtalet.
OpenAI uppger även att systemet blivit bättre på att skilja användarens röst från trafik, samtal och andra ljud i omgivningen. De nio röster som finns i ChatGPT har samtidigt bearbetats på nytt för GPT-Live.
Rösten och intelligensen har delats upp
Den mindre uppenbara förändringen finns bakom själva samtalet. GPT-Live behöver inte längre utföra varje del av en avancerad uppgift på egen hand.
Röstmodellen ansvarar främst för samtalets tempo, ljudet och samspelet med användaren. När en fråga kräver webbsökning, djupare resonemang eller flera arbetsmoment kan uppgiften skickas vidare till GPT-5.5. GPT-Live kan då fortsätta samtalet medan den andra modellen arbetar.
Det är en viktig skillnad mot ett system där samma modell måste vara både snabb samtalspartner och avancerad problemlösare. OpenAI kan uppdatera modellen som hanterar de svårare uppgifterna utan att samtidigt behöva ersätta hela röstsystemet.
Vid lanseringen använder GPT-Live GPT-5.5 i bakgrunden. Användare kan välja Instant för snabbare svar eller Medium och High när uppgiften kräver mer omfattande resonemang. OpenAI säger att den underliggande modellen ska kunna bytas ut när nyare versioner lanseras.
Röstsamtalet kan visa kartor och resultat
GPT-Live arbetar inne i en vanlig ChatGPT-konversation. Det som sägs visas därför även som strömmande text, samtidigt som användaren kan lägga till bilder och filer.
Röstläget kan också använda minne och webbsökning. Vid frågor om exempelvis väder, sport eller aktier kan resultatet visas som visuella kort medan samtalet fortsätter. Det gör att röstfunktionen närmar sig den vanliga ChatGPT-upplevelsen i stället för att vara ett separat och mer begränsat läge.
OpenAI uppger att över 150 miljoner människor använder Voice eller diktering i ChatGPT varje vecka. Ambitionen är att röst på sikt ska användas för längre arbetsflöden där modellen söker information, hanterar verktyg och följer en uppgift under ett längre samtal.
Säkerhetssystemet kan avbryta rösten
Ett system som lyssnar och svarar kontinuerligt behöver även kunna reagera innan ett olämpligt svar har lästs upp färdigt. OpenAI har därför lagt till kontroller som granskar konversationen medan den pågår.
Om potentiellt skadligt innehåll upptäcks kan systemet styra om svaret, spela upp ett säkerhetsmeddelande, visa stödresurser eller avsluta röstsamtalet. Företaget har bland annat testat modellerna inom självskada, emotionellt beroende, bedrägerier, manipulation och imitation av röster.
I OpenAI systemkort presterar de nya modellerna enligt bolaget lika bra eller bättre än Advanced Voice Mode inom de flesta testade områden. GPT-Live-1 fick samtidigt ett något sämre resultat i testet för emotionellt beroende. GPT-Live-1 mini backade svagt inom sexuellt innehåll. OpenAI skriver att skillnaderna inte var statistiskt säkerställda.
GPT-Live ska även motverka försök att imitera verkliga personer. ChatGPT använder fortfarande ett begränsat urval av fördefinierade röster, i stället för att låta användare klona valfria röster.
Den första märkbara förbättringen för användaren blir sannolikt färre avbrott och mindre stela pauser. Den större förändringen är att OpenAI har gjort rösten till ett separat gränssnitt ovanpå företagets övriga modeller och verktyg.
Det öppnar för en ChatGPT som kan fortsätta prata medan den söker, analyserar och utför uppgifter. Därmed blir GPT-Live inte bara ett nytt sätt att ställa frågor, utan en möjlig grund för röststyrda assistenter som kan hantera betydligt längre och mer komplicerade arbetsflöden.
