OpenAI spustilo GPT-Live: hlasový asistent, který vás poprvé v historii nepřerušuje

OpenAI spustilo GPT-Live: hlasový asistent, který vás poprvé v historii nepřerušuje

OpenAI představilo GPT-Live — první komerční hlasový AI model s plně duplexní architekturou, který dokáže poslouchat a mluvit současně. Modulární design odděluje hlasovou vrstvu od rozumové a automaticky chytří s každým novým modelem.

Každý, kdo někdy mluvil s hlasovým asistentem, zná ten frustrující moment — řeknete půlku věty, na sekundu se odmlčíte a stroj vám skočí do řeči odpovědí na otázku, kterou jste ještě nedokončili. OpenAI právě představilo technologii, která tohle má jednou provždy vyřešit. GPT-Live je první komerční hlasový AI model, který dokáže poslouchat a mluvit současně — přesně jako člověk v normálním rozhovoru.

Co je GPT-Live a proč je to zlom

OpenAI ve středu 8. července globálně spustilo GPT-Live — dvojici nových hlasových modelů GPT-Live-1 a GPT-Live-1 mini, které kompletně nahrazují dosavadní Advanced Voice Mode v ChatGPT. Klíčovou novinkou je takzvaná plně duplexní architektura (full-duplex). V telekomunikacích tento termín znamená, že obě strany hovoru mohou mluvit a naslouchát najednou. U umělé inteligence to znamená, že model nepřetržitě zpracovává váš hlas, i když sám právě odpovídá.

V praxi to vypadá tak, že vám asistent během vašeho vyprávění přikyvuje — vkládá přirozená „mhmm“, „jasně“, „rozumím“ — aniž by přerušil tok vaší řeči. Když se na chvíli zamyslíte, nepovažuje ticho za konec vaší repliky a neskočí vám do řeči. A když ho naopak přerušíte vy, plynule se zastaví a naváže na to, co říkáte.

https://noviny.ai/api/admin/images/056835a5-bf14-42f6-b799-d244c0cea5ff/data

„Místo zpracování sekvence oddělených zpráv GPT-Live nepřetržitě zpracovává vstup, zatímco generuje výstup,“ popisuje OpenAI ve svém technickém blogu. „Model tak může mnohokrát za sekundu rozhodovat, zda mluvit, dál naslouchát, udělat pauzu, přerušit, nebo spustit nástroj.“ Právě tato schopnost rozhodovat se v reálném čase odlišuje GPT-Live od všeho, co bylo dosud na trhu dostupné.

Oddělený hlas a rozum: architektura, která mění pravidla hry

Technicky nejzajímavější není samotný full-duplex, ale způsob, jakým OpenAI oddělilo hlasovou vrstvu od rozumové. Když položíte jednoduchou otázku, GPT-Live ji zpracuje přímo. Ale jakmile váš dotaz vyžaduje vyhledávání na webu, složitější uvažování nebo práci s externími nástroji, GPT-Live úkol deleguje na frontier model běžící na pozadí — v současné verzi na GPT-5.5 — a mezitím s vámi dál konverzuje, jako by se nic nedělo.

Proč je to důležité? Protože jde o modulární architekturu, kde můžete vyměnit „mozek“ bez nutnosti přetrénovat hlasový model. OpenAI samo říká: „Jakmile vydáme nové frontier modely, budeme průběžně aktualizovat model, který GPT-Live využívá.“ Pro firmy to znamená, že hlasový agent postavený na této architektuře může přirozeně konverzovat se zákazníkem a současně na pozadí prohledávat databáze, ověřovat informace nebo provádět vícekrokové operace — úkoly, které by dříve způsobily několikasekundové ticho v hovoru.

https://noviny.ai/api/admin/images/dae529af-9d85-4fc3-8bad-600fe4a894d6/data

Tři generace za dva roky: od vysílačky k přirozenému rozhovoru

Abyste pochopili, jak velký skok GPT-Live představuje, stačí se podívat na historii hlasového ChatGPT. První generace z roku 2023 fungovala jako řetězec tří modelů: Whisper přepisoval řeč na text, GPT-4 vygeneroval odpověď a syntetézátor ji převedl zpátky na hlas. Každé předání znamenalo ztrátu informací a zpozdění — celková latence dosahovala až 1 700 milisekund, tedy téměř dvě sekundy ticha, než asistent vůbec začal odpovídat.

Druhá generace — Advanced Voice Mode spuštěný v září 2024 — sjednotila vše do jednoho modelu, který zpracovával zvuk nativně. Latence se dramaticky snížila, ale konverzace stále probíhala na principu střídání tahů: vy mluvíte, pak AI mluví. Každá pauza, hluk na pozadí nebo zaváhání mohlo být mylně interpretováno jako konec vaší repliky. Uživatelé to přirovnávali k „vysílačkovému režimu“.

Třetí generace — GPT-Live — tento problém řeší fundamentálně. Nepřidává další filtry nebo heuristiky na detekci konce řeči. Místo toho přestavěla celou architekturu tak, aby model nikdy nepřestal naslouchát, ani když sám mluví. Je to stejný princip, jakým funguje normální lidský rozhovor — a právě proto je výsledek poprvé skutečně přirozený.

150 milionů hlasových uživatelů týdně — a nové vizuální karty

OpenAI zároveň prozradilo čísla, která ukazují, jak masivním produktem se hlasový ChatGPT stal. Více než 150 milionů lidí týdně používá hlasové a diktovací funkce — z celkových 900 milionů týdenních aktivních uživatelů platformy. To znamená, že hlasem komunikuje s ChatGPT zhruba každý šestý uživatel.

GPT-Live přidává i vizuální prvky: během hlasové konverzace se zobrazují informační karty s předpovědí počasí, akciovými kurzy, sportovními výsledky nebo mapami. Uživatelé si mohou vybrat ze tří úrovní přemýšlení: Instant pro rychlé odpovědi, Medium pro střední hloubku a High pro složitější úlohy. Placení uživatelé dostanou GPT-Live-1, uživatelé na bezplatném plánu GPT-Live-1 mini.

Co to znamená pro váš byznys

Pro české podnikatele je GPT-Live signálem, že hlasové rozhraní AI přestává být experimentem a stává se produkčním nástrojem. Dosavadní hlasové asistenty — ať už od Google, Amazonu, nebo dřívější verze ChatGPT — trápily právě ty momenty nepřirozeného ticha, nesprávného přerušení a pocitu, že mluvíte se strojem. GPT-Live tyto problémy řeší na architektonické úrovni.

„Místo zpracování sekvence oddělených zpráv GPT-Live nepřetržitě zpracovává vstup, zatímco generuje výstup. Model tak může mnohokrát za sekundu rozhodovat, zda mluvit, dál naslouchát, nebo spustit nástroj.“ — OpenAI, technický blog k GPT-Live

OpenAI plánuje zpřístupnit GPT-Live i přes API, což otevře dveře vývojářům a firmám, které chtějí hlasové rozhraní integrovat do vlastních produktů. Přesný termín zatím nebyl oznámen, ale vývojáři se už mohou registrovat k odběru notifikací.

Modulární architektura GPT-Live — kde je hlasová vrstva oddělená od rozumové — je přitom možná důležitější než samotný full-duplex. Znamená totiž, že vaše hlasová aplikace automaticky zchytří pokadé, když OpenAI vydá lepší frontier model, bez nutnosti cokoliv přepisovat. Pro firmy, které zvažují investici do hlasového AI, je to silný argument: stavíte na platformě, která se bude zlepšovat sama.