OpenAI เปิดโมเดลเสียงแบบเรียลไทม์ GPT-Live-1.1 ให้ใช้งานผ่าน API พร้อมคิดค่าบริการช่วงรอในช่วงไม่มีเสียงบน WebRTC ที่ 0.02 ดอลลาร์ต่อนาที (ประมาณ 27 วอน) ขณะที่ช่วงสนทนาที่มีเสียงคิด 0.05 ดอลลาร์ต่อนาที (ประมาณ 67 วอน)
OpenAI ระบุในประกาศชุมชนนักพัฒนาเมื่อวันที่ 20 ว่า GPT-Live-1.1 พร้อมใช้งานใน API แล้ว นักพัฒนาสามารถเชื่อมโมเดลเข้ากับแอปเสียงของตนเองผ่านรหัสโมเดล gpt-live-1.1 โดยรายละเอียดเพิ่มเติมอยู่ในประกาศชุมชนนักพัฒนา
GPT-Live-1.1 เป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ที่ฟังและพูดพร้อมกัน OpenAI อธิบายว่าเมื่อเทียบกับ GPT-Live-1 รุ่นนี้ปรับปรุงความแม่นยำในการถอดเสียง ความสม่ำเสมอของสำเนียงและเสียงในหลายภาษา การทำความเข้าใจตัวอักษรและตัวเลข การทำตามคำสั่ง และการส่งต่องานซับซ้อนไปยังโมเดลแบ็กเอนด์
การเผยแพร่ครั้งนี้ขยายฟังก์ชันเสียงสำหรับผู้ใช้ไปสู่ API สำหรับนักพัฒนา GPT-Live-1.1 ถูกนำมาใช้กับฟังก์ชันเสียงของ ChatGPT Plus และ Pro ตั้งแต่วันที่ 15 ตุลาคม และก่อนหน้านี้ TokenPost รายงานการทยอยเปิดใช้ใน ChatGPT Voice ประกาศนี้ระบุเส้นทางให้นักพัฒนาเรียกโมเดลจากแอปของตนเอง ซึ่งต่างจากการเปิดใช้สำหรับผู้ใช้ทั่วไป
การตั้งค่าสถานะรอใช้ได้กับทั้ง GPT-Live-1.1 และ GPT-Live-1 เมื่อนักพัฒนาสร้างเซสชัน WebRTC สามารถกำหนดการตรวจจับเสียงเป็นเกณฑ์เข้าสู่สถานะรอ และตั้งช่วงเวลาว่างได้ตั้งแต่ 5 ถึง 60 วินาที หากไม่มีเสียงตามเวลาที่กำหนด ระบบจะหยุดการอนุมานชั่วคราว แต่ยังคงการเชื่อมต่อสายสนทนาและ Session ID ไว้
เมื่อผู้ใช้กลับมาพูด ระบบจะกลับมาใช้เซสชันเดิมต่อจากประวัติการสนทนา อัตราค่าบริการช่วงรออยู่ที่ 0.02 ดอลลาร์ต่อนาที ต่ำกว่าสถานะใช้งาน 0.03 ดอลลาร์ (ประมาณ 40 วอน) การปิดไมโครโฟนเพียงอย่างเดียวไม่ทำให้เข้าสู่สถานะรอ จึงยังคิดค่าบริการในอัตราสถานะใช้งาน
บริการที่คาดว่าจะมีช่วงเงียบยาวสามารถเลือกยุติเซสชัน แล้วเริ่มเซสชันใหม่เมื่อผู้ใช้กลับมา แทนการคงสถานะรอ OpenAI แนะนำว่าหากใช้วิธีนี้ควรจัดเก็บบริบทการสนทนาและสถานะงานไว้เพื่อกลับมาดำเนินการต่อ
GPT-Live รับผิดชอบการฟังและการพูด ส่วนการอนุมานหรือการเรียกเครื่องมือภายนอกสามารถมอบหมายให้แบ็กเอนด์แยกต่างหากได้ นักพัฒนาต้องคำนวณเวลาเซสชันเสียงและการใช้โมเดลแบ็กเอนด์กับเครื่องมือเป็นรายการคิดค่าบริการคนละส่วน แม้มีค่าบริการช่วงรอ ค่าบริการแบ็กเอนด์ยังคงเรียกเก็บ
เอกสาร API ระบุว่า GPT-Live-1.1 รองรับสตรีมมิงและการเรียกฟังก์ชัน แต่ไม่รองรับภาพหรือวิดีโอ
โครงสร้างนี้ทำให้นักพัฒนาแยกบันทึกเวลาที่มีเสียงกับเวลารอซึ่งการอนุมานหยุดลงจริงได้ จากนั้นคำนวณตามอัตราทั้งสองแบบ แล้วบวกค่าโมเดลแบ็กเอนด์และการเรียกเครื่องมือเพื่อหาค่าใช้บริการรวม
WebRTC เป็นเทคโนโลยีสื่อสารเสียงและวิดีโอแบบเรียลไทม์ และใน API นี้ใช้เป็นช่องทางรักษาการเชื่อมต่อเซสชัน การตั้งสถานะรอจากการตรวจจับเสียงจะหยุดการอนุมานชั่วคราวหลังผู้ใช้หยุดพูดตามช่วงเวลาที่กำหนด
การตั้งช่วงเวลาว่างใช้แยกกรณีบทสนทนาหยุดชั่วคราวออกจากการเงียบเป็นเวลานาน นักพัฒนาสามารถกำหนดเกณฑ์ในช่วง 5-60 วินาทีให้สอดคล้องกับจังหวะการสนทนาของบริการ
ขีดจำกัดเซสชันพร้อมกันของ GPT-Live-1 และ GPT-Live-1.1 ใช้แยกกัน บริการที่เรียกใช้ทั้งสองโมเดลจึงต้องจัดการจำนวนการเชื่อมต่อและค่าใช้เซสชันเสียงของแต่ละโมเดลแยกต่างหาก
การเปิดให้ใช้ผ่าน API ครั้งนี้ทำให้นักพัฒนาสามารถออกแบบเส้นทางเรียกโมเดลและการจัดการเซสชันของแอปเสียงแบบเรียลไทม์ได้เอง การกำหนดเวลาคงการเชื่อมต่อ เกณฑ์เปลี่ยนเข้าสถานะรอ และต้นทุนการเรียกแบ็กเอนด์แยกกัน เป็นองค์ประกอบสำคัญของการใช้ API
Comment 0