A OpenAI revelou nesta terça-feira seus mais recentes modelos conversacionais, denominados GPT-Live-1 e GPT-Live-1 mini, desenvolvidos para oferecer interações por voz significativamente mais naturais e capazes de gerenciar melhor a alternância de turnos durante conversas.
Esses novos modelos operam em modo bidirecional, o que significa que podem ouvir e falar simultaneamente. Esta característica permite que os usuários interrompam o assistente de forma natural durante a conversa, além de possibilitar funcionalidades como tradução em tempo real. A empresa substituirá o Modo de Voz Avançado atual no ChatGPT pelo modelo GPT-Live-1 mini como configuração padrão. Usuários das versões pagas terão acesso ao modelo completo GPT-Live-1.
O modelo anterior combinava três componentes distintos: um modelo de reconhecimento de fala para transcrever a fala do usuário, um modelo de linguagem de grande porte para gerar respostas e um modelo de síntese de voz para entregar a resposta final. Segundo a empresa, os novos modelos resolvem problemas como interromper o usuário enquanto ele ainda está falando e a falta de inteligência suficiente para responder perguntas complexas.
Os novos modelos de voz da OpenAI enviarão consultas para os mais recentes modelos de texto da empresa, como o GPT-5.5, para realizar buscas, raciocínios ou capacidades agentic, enquanto continuam a conversa simultaneamente. A empresa também demonstrou que o modelo pode permanecer em silêncio por longos períodos, absorvendo o contexto da conversa até ser acionado.
Além disso, como o novo modo de voz tem acesso aos modelos GPT mais recentes, também pode apresentar informações em formato visual. Outras startups, como a Monogram, que levantou 40 milhões de dólares em investimento inicial de fundos como DST e Lux Capital, também estão investindo em respostas visuais para tornar os assistentes mais interativos.
A empresa afirmou que o novo modo de voz no ChatGPT foi projetado para permitir conversas mais longas. Durante a coletiva de imprensa, o líder de produto do ChatGPT Voz, Atty Eleti, revelou que já manteve conversas de 30 a 40 minutos com o recurso de voz durante caminhadas.
A OpenAI acredita que a voz pode se tornar a interface principal para computação em trabalhos complexos. Relatórios recentes sugerem que a empresa pode lançar um par de fones de ouvido com capacidades de inteligência artificial ainda este ano, embora a empresa não tenha fornecido informações sobre produtos de hardware.
"Ao longo do tempo, acreditamos que isso também desbloqueará a capacidade de usar a voz como uma espécie de interface principal para computação e para gerenciar trabalhos agentic de longa duração cada vez mais complexos. Os casos de uso surpreendentes que vemos pessoas realizarem com Codex e ChatGPT, acreditamos que a voz pode ser a interface futura para todos os tipos de trabalho", declarou Eleti.
A OpenAI tem trabalhado nos últimos anos para aprimorar os recursos baseados em voz do ChatGPT, tornando o modo de voz mais natural. A empresa afirmou que mais de 150 milhões de pessoas conversam com o ChatGPT usando recursos como Voz e Ditado.
Competidores também estão tentando tornar seus assistentes mais expressivos. Tanto a Apple quanto a Amazon atualizaram seus assistentes para serem mais conversacionais, com melhor tratamento de contexto. Startups como a Sesame, fundada pelo co-fundador da Oculus, Brendan Iribe, e Ankit Kumar, também lançaram assistentes de inteligência artificial com conversas mais naturais enquanto completam tarefas em segundo plano.
A OpenAI está se movendo na mesma direção, visando permitir que os usuários conversem com o assistente sem usar as mãos por períodos mais longos. Apesar de afirmar que o novo modo de voz soa mais natural, a empresa enfatizou que não está tentando transformar isso em um companheiro de inteligência artificial. A empresa observou que os novos modelos possuem salvaguardas integradas para fornecer respostas apropriadas para a idade de adolescentes e disponibilizar recursos se a conversa abordar tópicos como automutilação.
O novo modo de voz ainda precisa de melhorias. Durante a demonstração, quando a empresa apresentou seu recurso de tradução ao vivo para hindi, o assistente tinha um forte sotaque americano e falava hindi de forma não natural, com um tom ligeiramente literário. A empresa afirmou que o novo modo está otimizado para "as línguas mais faladas", mas não especificou quais são elas.
Fonte: TechCrunch
