OpenAI har rullet ut GPT-Live globalt, melder The Decoder. GPT-Live-1 går til betalende brukere på Go, Plus og Pro, mens GPT-Live-1 mini ligger på gratiskontoer. Begge kjører på iOS, Android og ChatGPT.com. API-tilgang er varslet, med påmelding via skjema.
Det tekniske skiftet er full-duplex. Der den gamle stemmemodusen ventet på at du ble ferdig med å snakke, tar GPT-Live ifølge OpenAI en beslutning flere ganger i sekundet om den skal snakke, fortsette å lytte, pause, avbryte eller kalle et verktøy. Den bruker fyllord som «mhmm» for å signalisere at den følger med, og du kan avbryte den midt i en setning. Nvidia slapp tidligere i år en tilsvarende open-source-modell, PersonaPlex.
Den arkitektoniske interessante delen er delingen mellom samtalestyring og resonnering. Når et spørsmål krever nettsøk eller flerstegstenkning, sender GPT-Live det videre til en bakgrunnsmodell, i dag GPT-5.5, og holder samtalen i gang mens den jobber. Tidligere stemmemodeller svarte kun ut fra egen kapasitet, og lå derfor langt bak frontier-modellene.
Tallene viser hvor stort det gapet var. På GPQA, en test for vitenskapelig resonnering, treffer GPT-Live-1 84,2 % på høyt resonneringsnivå mot 45,3 % for Advanced Voice Mode. På BrowseComp, som måler agent-basert nettsøk, er forskjellen 75,2 % mot 0,7 %. I OpenAIs egne preferansetester ble GPT-Live-1 foretrukket i 75,7 % av tilfellene.
Baksiden er at en modell som høres mer menneskelig ut, også blir lettere å stole på enn den fortjener. Forskning viser at storbrukere av stemmemodeller er mer utsatt for emosjonell avhengighet. OpenAI sier de har lagt inn sikkerhetstiltak som slår inn allerede mens brukeren snakker, og at modellen kan avslutte samtalen i høyrisikosituasjoner.
For deg som bygger stemmegrensesnitt er selve mønsteret det viktigste her: en rask samtalemodell som holder tråden, koblet til en treg frontier-modell som gjør tenkingen i bakgrunnen. Med PersonaPlex ute som open source er den arkitekturen mulig å prøve selv, uten å vente på at OpenAIs API åpner.