Все предыдущие поколения голосовых ассистентов, включая более ранние голосовые режимы ChatGPT, работали по принципу «полудуплекса»: система сначала слушает пользователя до паузы, затем формирует и произносит ответ. GPT-Live-1 устроена иначе — модель обрабатывает входящую речь и формирует ответную реакцию непрерывно, в реальном времени, что позволяет ей, например, перебивать себя, реагировать на реплику собеседника до того, как та закончена, и вести диалог с естественными паузами и наложениями, как это происходит в живом разговоре людей.
OpenAI выпустила сразу две версии модели. Полная GPT-Live-1 ориентирована на максимальное качество и естественность голосового взаимодействия и стала режимом по умолчанию для платных подписчиков ChatGPT. Облегчённая GPT-Live-1 mini требует меньше вычислительных ресурсов и досталась бесплатным пользователям — с некоторым компромиссом по задержке и глубине понимания контекста, но с сохранением главного свойства: полного дуплекса без пауз на обработку.
Решение сделать полнодуплексную модель стандартным голосовым режимом, а не отдельной платной опцией, — заметный шаг: OpenAI фактически ставит на то, что голосовое взаимодействие в новом формате станет основным способом общения с ChatGPT для значительной части аудитории, а не нишевой функцией. Для миллионов ежедневных пользователей ChatGPT это будет первый опыт разговора с ИИ, который ощущается как разговор с человеком, а не как обмен репликами через диктофон.
OpenAI обещала открыть API-доступ к GPT-Live-1 «в ближайшее время», что означает выход технологии за пределы самого ChatGPT — в колл-центры, голосовых ассистентов внутри приложений, образовательные и медицинские сервисы. Релиз обостряет и без того интенсивную конкуренцию в голосовом ИИ, где помимо OpenAI активно развиваются решения Google (Gemini Live) и других игроков — полный дуплекс постепенно становится новым стандартом качества, ниже которого голосовые продукты будут восприниматься как устаревшие.
Официальный доступ к продуктам OpenAI из России ограничен, но релиз задаёт ориентир для отечественных голосовых ассистентов вроде Салют от Сбера и разработок Яндекса: полный дуплекс без пауз на обработку речи — то направление, в котором в ближайшие один-два года будут двигаться и российские команды, если хотят конкурировать по ощущению «естественности» разговора. Для бизнеса, использующего голосовых ботов в клиентском сервисе, планка качества, заданная GPT-Live-1, станет новым ожидаемым уровнем — и разрыв с моделями на паузах будет заметен пользователю сразу же при сравнении.