OpenAI hat am Mittwoch GPT-Live gestartet und zwei neue Sprachmodelle eingeführt, die den bestehenden Advanced Voice Mode ersetzen. Die Modelle GPT-Live-1 und GPT-Live-1 mini ermöglichen gleichzeitiges Zuhören und Sprechen und ahmen so menschliche Gespräche nach. GPT-Live-1 ist die Standardeinstellung für zahlende Benutzer der Go-, Plus- und Pro-Stufen, während GPT-Live-1 mini für Benutzer der kostenlosen Stufe gilt.
Der Rollout beginnt weltweit auf iOS, Android und ChatGPT.com. OpenAI plant, die Modelle in seine API für Entwickler zu integrieren. GPT-Live stellt die dritte Generation der Sprachtechnologie von ChatGPT dar, die innerhalb von zwei Jahren entwickelt wurde.
Das Hauptmerkmal von GPT-Live ist eine „Vollduplex-Architektur“, die eine Audioverarbeitung in Echtzeit ermöglicht und gleichzeitig Antworten generiert. „Anstatt eine Folge separater Nachrichten zu verarbeiten, verarbeitet GPT-Live kontinuierlich Eingaben und generiert gleichzeitig Ausgaben“, sagte OpenAI in einem Blogbeitrag. Dies ermöglicht Gesprächsbestätigungen wie „mhmm“ und vermeidet Unterbrechungen während des Austauschs.
Der vorherige Advanced Voice Mode, der im September 2024 eingeführt wurde, basierte auf starren Turn-by-Turn-Austauschen, was zu Frustrationen bei der Benutzererfahrung führte. Hintergrundgeräusche könnten vorzeitige Reaktionen auslösen und den Gesprächsfluss beeinträchtigen.
GPT-Live trennt außerdem die Sprachinteraktion von der Argumentation, indem komplexe Abfragen an ein Hintergrundmodell, nämlich GPT-5.5, delegiert werden, während die Konversation nahtlos fortgesetzt wird. „Während es funktioniert, kann GPT-Live weiterhin mit Ihnen kommunizieren und den Gesprächsfluss aufrechterhalten“, erklärte OpenAI.
Die ursprüngliche Stimme von ChatGPT, die 2023 eingeführt wurde, basierte auf einer komplexen Pipeline, die zu Latenz und Informationsverlusten zwischen den Modellen führte. Dieses Setup wurde im erweiterten Sprachmodus verfeinert, der den Prozess rationalisieren wollte, aber dennoch zu unangenehmen Pausen und Unterbrechungen führte.
OpenAI versucht, Bedenken aus früheren Kontroversen über Stimmenimitationen auszuräumen, insbesondere im Zusammenhang mit der „Sky“-Stimme, die der der Schauspielerin Scarlett Johansson ähnelt. Das Unternehmen betonte, dass GPT-Live Identitätsdiebstahl vermeidet und Sicherheitsvorkehrungen gegen die Nachahmung der Stimmen echter Personen enthält.
Derzeit interagieren wöchentlich über 150 Millionen Benutzer mit den Sprachfunktionen von ChatGPT, was einem Teil der insgesamt 900 Millionen aktiven Benutzer entspricht. Mit GPT-Live können Benutzer auf umfangreiche visuelle Karten zugreifen und zwischen drei Antwortbegründungsstufen wählen: Sofort, Mittel und Hoch. Das System verspricht außerdem eine verbesserte Leistung bei der Bewältigung von Hintergrundgeräuschen und Benutzerunterbrechungen während Gesprächen.
Mit den neuen Modellen haben sich auch die Sicherheitsmaßnahmen weiterentwickelt. OpenAI führte umfangreiche Auswertungen durch und demonstrierte die verbesserte Leistung von GPT-Live in Kategorien wie Selbstverletzung und Hassrede, wobei es auf einzigartige Risiken im Zusammenhang mit Sprachinteraktionen in Echtzeit einging.
Während OpenAI seine Sprachtechnologie weiterentwickelt, haben auch Konkurrenten wie Google, ByteDance und Nvidia kürzlich ihre eigenen Vollduplex-Systeme auf den Markt gebracht. Bei GPT-Live fehlen derzeit bestimmte Funktionen wie Videointeraktion oder Bildschirmfreigabe, die bei Sprach-KI-Angeboten zum Standard werden.
Insgesamt stellt GPT-Live einen bedeutenden Fortschritt für OpenAI dar, da es die Stimme als primäre Interaktionsebene für künstliche Intelligenz positioniert und auf natürlichere und agentenbezogenere Fähigkeiten in der KI-Kommunikation abzielt.
