75.7% เลือก GPT-Live-1 เหนือโหมดเสียงเดิมของโอเพนเอไอ

โอเพนเอไอ (OpenAI) เปิดให้ใช้งานจริงกับ GPT-Live โมเดลเสียงแบบ full-duplex ที่ฟังคำพูดของผู้ใช้และตอบกลับไปพร้อมกันได้ในเวลาเดียวกัน ผลการประเมินโดยมนุษย์พบว่าผู้เข้าร่วมทดสอบ 75.7% 'เลือก' GPT-Live-1 มากกว่า Advanced Voice Mode รุ่นเดิม

โอเพนเอไอระบุเมื่อวันที่ 8 กรกฎาคมว่าจะทยอยเปิดให้ผู้ใช้ ChatGPT Voice ทั่วโลกใช้งาน GPT-Live-1 และ GPT-Live-1 mini โดย GPT-Live-1 จะเป็นโมเดลเสียงพื้นฐานสำหรับผู้ใช้แบบเสียเงินในแพ็กเกจ Go, Plus และ Pro ส่วน GPT-Live-1 mini จะเป็นโมเดลเสียงพื้นฐานสำหรับผู้ใช้ฟรี

จุดเปลี่ยนสำคัญของ GPT-Live คือการเปลี่ยนวิธีตอบสนองของ AI เสียงจากแบบ 'ผลัดกันพูด' ไปเป็นแบบ 'ต่อเนื่อง' โมเดลเสียงแบบเดิมจะเริ่มสร้างคำตอบหลังผู้ใช้พูดจบเท่านั้น แต่ GPT-Live จะประมวลผลเสียงที่รับเข้ามาไปพร้อมกับสร้างเสียงตอบออกไปตลอดเวลา ระหว่างนั้นโมเดลต้องตัดสินใจหลายครั้งต่อวินาทีว่าจะพูด จะฟังต่อ จะหยุด จะแทรก หรือจะเรียกใช้เครื่องมือใด

งานที่ซับซ้อนกว่านั้นจะถูกส่งไปประมวลผลแยกอีกเส้นทางหนึ่ง ขณะที่ GPT-Live ดำเนินบทสนทนาแบบเรียลไทม์อยู่ งานค้นหาข้อมูลบนเว็บ การให้เหตุผลเชิงลึก และงานแบบเอเจนต์จะถูกส่งไปให้โมเดลชั้นแนวหน้าที่ทำงานอยู่เบื้องหลังจัดการแทน โดย ณ วันที่เปิดตัว โมเดลเบื้องหลังคือ GPT-5.5 โอเพนเอไออธิบายว่าออกแบบระบบไว้ไม่ให้บทสนทนาสะดุด แม้ผลการค้นหาหรือผลการให้เหตุผลจะยังไม่พร้อมก็ตาม

ในการทดสอบบทสนทนาความยาว 5-10 นาทีภายใต้เงื่อนไขเดียวกัน ผู้เข้าร่วมทดสอบเลือก GPT-Live-1 มากกว่า Advanced Voice Mode เดิมอยู่ที่ 75.7% และเลือก GPT-Live-1 mini อยู่ที่ 69.2% โดยหัวข้อที่ใช้ประเมินครอบคลุมทั้งความชอบโดยรวม การผลัดกันพูด การแทรกบทสนทนา การไหลลื่นของบทสนทนา และความเป็นธรรมชาติ

อย่างไรก็ตาม ขอบเขตการรองรับยังมีข้อจำกัดอยู่ ศูนย์ช่วยเหลือของโอเพนเอไอ (OpenAI Help Center) ระบุว่า GPT-Live ให้บริการบน iOS, Android และ ChatGPT.com พร้อมรองรับการค้นหาบนเว็บ ระบบความจำ การ์ดข้อมูลภาพ และการป้อนข้อมูลแบบข้อความและรูปภาพ แต่ในช่วงเปิดตัวแรกยังไม่รองรับวิดีโอ การแชร์หน้าจอ แอปที่เชื่อมต่อ และปลั๊กอิน ผู้ใช้ที่ต้องการฟีเจอร์เหล่านี้จึงต้องใช้ Advanced Voice Mode แบบเดิมไปก่อน

โอเพนเอไอเปิดเผยผ่าน GPT-Live System Card ว่าได้ประเมินความเสี่ยงในหลายด้าน ได้แก่ การทำร้ายตัวเอง อาการทางจิตคล้ายโรคจิตเภทหรือไบโพลาร์ ความผูกพันทางอารมณ์กับ AI ความรุนแรง เนื้อหาทางเพศ รวมถึงการแอบอ้างตัวตนและการลอกเลียนเสียง หากระบบตรวจพบสัญญาณความเสี่ยง จะปรับคำตอบหรือแสดงข้อความด้านความปลอดภัย และในกรณีความเสี่ยงสูงอาจถึงขั้นตัดจบบทสนทนาเสียง เรื่องนี้สอดคล้องกับการถกเถียงเรื่องการตรวจสอบความเสี่ยงล่วงหน้าของโมเดล AI ชั้นแนวหน้าที่ TokenPost เคยนำเสนอมาก่อน

อาร์ตี เอเลติ (Atty Eleti) หัวหน้าฝ่ายผลิตภัณฑ์ ChatGPT Voice ของโอเพนเอไอ ให้สัมภาษณ์กับ Axios ว่า “ผมมองว่าเมื่อเวลาผ่านไป สิ่งนี้จะเปิดทางให้ใช้เสียงเป็นอินเทอร์เฟซหลักของการประมวลผลได้” คำพูดนี้สะท้อนความคาดหวังว่า AI เสียงอาจเปลี่ยนวิธีใช้งานที่เคยเน้นข้อความเป็นหลัก ทั้งนี้ Axios ยังตั้งข้อสังเกตด้วยว่าการใช้เสียงโดยทั่วไปมักใช้ต้นทุนและโทเคนมากกว่าการใช้ข้อความ