OpenAI představilo jednu z největších změn v historii hlasového ovládání ChatGPT. Nová generace hlasových modelů GPT-Live má odstranit nepřirozené pauzy, skákání do řeči a strnulé střídání otázek a odpovědí. Umělá inteligence nově dokáže poslouchat a mluvit zároveň, počkat, když přemýšlíte, reagovat krátkým „mhmm“ a současně na pozadí řešit složité úkoly pomocí GPT-5.5.
Pokud jste někdy používali hlasový režim ChatGPT, pravděpodobně jste narazili na jednu z jeho největších slabin. Ačkoli byly odpovědi umělé inteligence stále kvalitnější, samotný rozhovor měl ke skutečné konverzaci daleko. Člověk položil otázku, počkal, systém ji zpracoval a následně přišla odpověď. Jakmile jste se na několik sekund odmlčeli nebo kolem vás vznikl hluk, ChatGPT mohl nesprávně vyhodnotit situaci a začít mluvit.
Právě to se nyní OpenAI pokouší zásadně změnit. Společnost představila GPT-Live, novou generaci hlasových modelů, která nyní začíná pohánět ChatGPT Voice. Nejde přitom pouze o rychlejší odpovědi nebo kvalitnější hlas. OpenAI kompletně změnilo způsob, jakým hlasový model funguje.
ChatGPT vás nově dokáže poslouchat a zároveň mluvit
Nejdůležitější novinkou GPT-Live je takzvaná plně duplexní architektura. Pod tímto poměrně technickým označením se skrývá jednoduchá, ale zásadní změna. ChatGPT může současně přijímat zvukový vstup a generovat vlastní odpověď.
Dosavadní hlasové modely fungovaly převážně na principu střídání jednotlivých replik. Nejprve mluvil uživatel, následně systém vyhodnotil konec jeho řeči a teprve potom začala umělá inteligence odpovídat. GPT-Live naproti tomu průběžně sleduje celou konverzaci a mnohokrát za sekundu rozhoduje, co má udělat.
Může pokračovat v poslouchání, začít mluvit, udělat pauzu, nechat se přerušit nebo například použít některý z dostupných nástrojů.
Výsledkem má být podstatně přirozenější konverzace. Pokud se například během věty na chvíli odmlčíte, protože přemýšlíte, ChatGPT nemusí okamžitě začít odpovídat. Dokáže počkat. Stejně tak může během vašeho vyprávění krátkými reakcemi typu „mhmm“, „jo“ nebo „rozumím“ naznačit, že vás stále poslouchá.
Největší změnu možná na první pohled vůbec neuvidíte
GPT-Live však není pouze nový hlasový model. OpenAI zásadně přepracovalo také způsob, jakým ChatGPT během hlasové konverzace řeší složité úkoly.
Samotný GPT-Live se stará především o plynulost a přirozenost konverzace. Pokud mu však položíte otázku vyžadující složitější uvažování, vyhledávání na internetu nebo práci s dalšími nástroji, může úlohu na pozadí předat výkonnějšímu modelu.
Při uvedení GPT-Live tuto práci zajišťuje GPT-5.5. OpenAI však počítá s tím, že model používaný na pozadí bude postupně aktualizovat společně s příchodem dalších generací svých nejvýkonnějších modelů.
V praxi tak může nastat situace, kdy si s vámi GPT-Live dál povídá, zatímco GPT-5.5 na pozadí vyhledává informace, analyzuje problém nebo řeší složitější úkol. Jakmile je výsledek připravený, vrátí se zpět do probíhající konverzace.
To je výrazný rozdíl oproti dosavadnímu způsobu fungování hlasových asistentů. Uživatel už nemusí čekat v tichosti, než systém dokončí náročnější operaci.
Starý ChatGPT Voice fungoval úplně jinak
První generace ChatGPT Voice používala takzvaný kaskádový systém. Ve skutečnosti za hlasovou konverzací pracovaly tři samostatné modely. První převedl lidskou řeč na text. Druhý, tedy velký jazykový model, vytvořil odpověď. Třetí následně převedl textovou odpověď zpět do mluvené podoby.
Tento systém umožnil lidem poprvé skutečně komunikovat hlasem s pokročilými jazykovými modely, měl však několik nevýhod. Informace se mohly během převodu mezi jednotlivými modely ztrácet a celý proces přinášel zpoždění, které bylo během konverzace znatelné.
Pozdější Advanced Voice Mode situaci výrazně zlepšil, protože dokázal zpracovávat a generovat zvuk přímo v jediném modelu. Stále však zůstával problém se střídáním jednotlivých replik. Model čekal, dokud uživatel nedomluvil. Teprve následně začal odpovídat. Krátké zaváhání, pauza na přemýšlení nebo hluk na pozadí navíc mohly způsobit, že systém nesprávně vyhodnotil konec věty a začal uživateli skákat do řeči. GPT-Live má právě tento problém odstranit.
ChatGPT má poznat, kdy přemýšlíte a kdy jste skutečně domluvili
Jednou z nejzajímavějších vlastností nového hlasového režimu je lepší vnímání průběhu konverzace. ChatGPT má například rozpoznat, že jste pouze udělali pauzu na rozmyšlenou. Neměl by tedy automaticky začít odpovídat pokaždé, když na několik sekund přestanete mluvit.
Uživatel může ChatGPT rovněž požádat, aby pouze poslouchal a nemluvil. Systém má tento požadavek respektovat. OpenAI současně zapracovalo na lepším potlačení okolního hluku. Pokud kolem vás projíždějí automobily nebo v místnosti mluví další lidé, GPT-Live by se měl lépe soustředit přímo na váš hlas. To všechno jsou na první pohled drobnosti. Právě podobné detaily však rozhodují o tom, zda konverzace s umělou inteligencí působí jako používání počítačového programu, nebo jako skutečný rozhovor.
Výsledky testů ukazují obrovský rozdíl
OpenAI pro GPT-Live vytvořilo nová hodnocení zaměřená přímo na přirozenost a plynulost hlasových konverzací. Testování probíhalo prostřednictvím přímého porovnávání několikaminutových rozhovorů. GPT-Live-1 získal proti dosavadnímu Advanced Voice Mode preferenci 75,7 %. Levnější a jednodušší GPT-Live-1 mini dosáhl 69,2 %.
Výrazný posun je však vidět také u testů inteligence a schopnosti řešit složité úkoly. V benchmarku GPQA zaměřeném na expertní vědecké uvažování dosahoval dosavadní Advanced Voice Mode přesnosti 45,3 %. GPT-Live-1 mini se dostal na 74,9 %, zatímco nejvýkonnější konfigurace GPT-Live-1 s vysokou úrovní uvažování dosáhla 84,2 %.
Ještě větší rozdíl ukázal test BrowseComp zaměřený na agentní vyhledávání obtížně dostupných informací na internetu. Advanced Voice Mode zde dosáhl pouhých 0,7 %. GPT-Live-1 mini získal 31,6 % a GPT-Live-1 s vysokou úrovní uvažování 75,2 %. Nejde tedy pouze o to, že nový ChatGPT zní přirozeněji. Podle výsledků OpenAI dokáže současně řešit výrazně složitější úkoly.
Uživatel si může zvolit, jak dlouho má ChatGPT přemýšlet
Nová verze ChatGPT Voice umožňuje uživatelům volit také úroveň uvažování. Instantní režim je určený pro situace, kdy potřebujete rychlou odpověď a nechcete čekat. Střední a vysoká úroveň uvažování naopak umožní systému věnovat řešení problému více času. To může být užitečné například při složitějších otázkách, plánování, analýze informací nebo úlohách vyžadujících vyhledávání na internetu.
OpenAI tím fakticky spojuje dva světy. Na jedné straně stojí rychlý a přirozený hlasový model, který zajišťuje samotnou konverzaci. Na straně druhé pracují nejvýkonnější modely společnosti, které mohou na pozadí řešit náročnější problémy.
Během hovoru se nově mohou zobrazovat vizuální odpovědi
Další významnou novinkou jsou vizuální karty zobrazované přímo během hlasové konverzace. Ne každou odpověď je totiž ideální pouze slyšet. Pokud se například zeptáte na předpověď počasí, sportovní výsledky, vývoj akcií nebo místa ve svém okolí, může ChatGPT během hovoru zobrazit odpovídající vizuální informace.
Uživatel tak může pokračovat v hlasové konverzaci a současně sledovat informace na displeji telefonu nebo počítače. ChatGPT Voice nadále podporuje také vyhledávání na internetu, paměť, práci s obrázky a nahrávání souborů.
Nové hlasy a přirozenější projev
Společně s uvedením GPT-Live OpenAI přepracovalo také devět hlasů dostupných v ChatGPT. Cílem nebylo pouze zvýšit kvalitu zvuku, ale především vytvořit přirozenější způsob komunikace. Hlas by měl lépe reagovat na tempo rozhovoru a přizpůsobovat se situaci.
Pokud uživatel požádá ChatGPT, aby mluvil pomaleji, systém se může přizpůsobit. Stejně tak jej lze přerušit doplňující otázkou nebo změnit směr konverzace bez nutnosti čekat na dokončení celé odpovědi.
GPT-Live používají dvě různé verze modelu
OpenAI začíná uživatelům po celém světě zpřístupňovat dva nové modely. Výkonnější GPT-Live-1 a jednodušší GPT-Live-1 mini. GPT-Live-1 se má stát výchozím hlasovým modelem pro uživatele tarifů ChatGPT Go, Plus a Pro. Bezplatní uživatelé získají GPT-Live-1 mini.
Oba modely mohou na pozadí spolupracovat s dalšími modely OpenAI. GPT-Live-1 ve variantách Instant a GPT-Live-1 mini při uvedení používají GPT-5.5 Instant. Varianty Medium a High využívají GPT-5.5 Thinking s různou úrovní uvažování.
ChatGPT Voice používá každý týden přes 150 milionů lidí
Rozsah celé změny ukazuje také počet lidí, kterých se novinka týká. Podle OpenAI používá každý týden hlasové funkce ChatGPT a diktování více než 150 milionů lidí. Hlasovou umělou inteligenci využívají při řízení automobilu, procvičování cizích jazyků, vyprávění pohádek dětem, řešení každodenních problémů nebo jednoduše jako společníka během cesty do práce.
Právě hlas může být v budoucnosti jedním z nejdůležitějších způsobů komunikace s umělou inteligencí. Psaní textových příkazů je sice přesné, pro mnoho každodenních situací však není zdaleka tak přirozené jako běžná řeč.
OpenAI posiluje bezpečnost hlasových konverzací
Společnost věnovala značnou pozornost také bezpečnosti. GPT-Live vychází z ochranných mechanismů nejnovějších modelů OpenAI a přidává další systémy vytvořené speciálně pro hlasovou komunikaci.
Testování se zaměřilo například na sebepoškozování, psychózu, mánii, emoční závislost na umělé inteligenci, násilí a sexuální obsah. Protože hlasová komunikace probíhá v reálném čase, mohou bezpečnostní mechanismy zasáhnout přímo během generování odpovědi. Systém může model nasměrovat k bezpečnější reakci, zobrazit uživateli další informace nebo v rizikových situacích hlasovou konverzaci ukončit.
Samostatná ochranná opatření jsou určena pro dospívající uživatele. Rodiče mohou prostřednictvím rodičovské kontroly rozhodnout, zda jejich dítě smí ChatGPT Voice používat. OpenAI zároveň zdůrazňuje, že GPT-Live není určený k napodobování hlasu konkrétních lidí. ChatGPT používá předem připravenou sadu hlasů a obsahuje ochranné mechanismy, které mají imitaci skutečných osob omezovat.
GPT-Live přichází na iPhone, Android i web
Nový GPT-Live je postupně zaváděn uživatelům ChatGPT po celém světě. Dostupný bude na iOS, Androidu a prostřednictvím webové verze ChatGPT. OpenAI upozorňuje, že model byl při uvedení optimalizován především pro nejpoužívanější jazyky. U některých jazyků se proto může objevit cizí přízvuk nebo problémy s plynulostí projevu. Společnost chce podporu jednotlivých jazyků postupně zlepšovat.
Při uvedení nebude GPT-Live podporovat hlasovou komunikaci současně s videem ani sdílením obrazovky. OpenAI však pracuje na jejich budoucím zpřístupnění. Uživatelé mohou nadále používat také starší verze ChatGPT Voice, včetně standardního a pokročilého hlasového režimu, kde některé z těchto funkcí zůstávají dostupné.
Nejde jen o lepší hlas. OpenAI mění způsob, jakým budeme používat AI
GPT-Live může na první pohled působit jako další vylepšení hlasového režimu ChatGPT. Ve skutečnosti však představuje podstatně důležitější změnu. Dosavadní komunikace s umělou inteligencí byla založena především na zadávání příkazů a čekání na odpověď. Nová architektura se snaží tento princip odstranit a vytvořit prostředí, ve kterém spolu člověk a AI komunikují nepřetržitě.
ChatGPT vás může poslouchat, reagovat, nechat se přerušit a současně na pozadí pomocí jiného modelu řešit složitější úkol. Právě kombinace přirozené konverzace a výkonných modelů pracujících na pozadí může být mnohem důležitější než samotné zvýšení inteligence AI.
Pokud se OpenAI podaří technologii dále rozvíjet, hlas by se mohl postupně stát hlavním způsobem, jakým lidé ChatGPT používají. Místo psaní jednotlivých příkazů bychom s umělou inteligencí jednoduše vedli nepřetržitý rozhovor, zatímco ona by na pozadí vyhledávala informace, plánovala, analyzovala data a prováděla stále složitější úkoly. A právě GPT-Live je prvním velkým krokem tímto směrem.
