GPT‑Live‑1 چیست؟
گفت‌وگوی طبیعی‌تر با هوش مصنوعی

OpenAI در ۱۰ سپتامبر ۲۰۲۶ مدل GPT‑Live‑1 را در API عرضه کرد؛ مدلی که قرار است گفت‌وگو با یک دستیار صوتی را از الگوی خشک «حرف بزن، صبر کن، پاسخ بگیر» به مکالمه‌ای نزدیک‌تر به گفت‌وگوی انسانی تبدیل کند.

تفاوت اصلی در مفهوم تمام‌دوطرفه یا Full‑Duplex است. GPT‑Live‑1 می‌تواند ورودی و خروجی صوتی را هم‌زمان پردازش کند؛ یعنی هنگام صحبت‌کردن همچنان به کاربر گوش بدهد، مکث یا تغییر نظر او را تشخیص دهد و در برابر یک تأیید کوتاه یا صدای پس‌زمینه بی‌دلیل مکالمه را متوقف نکند.

چرا این معرفی اهمیت دارد؟

بسیاری از دستیارهای صوتی فعلی از زنجیره‌ای شامل تبدیل صدا به متن، پردازش متن با مدل زبانی و سپس تبدیل پاسخ به صدا استفاده می‌کنند. انتقال اطلاعات میان این مراحل می‌تواند تأخیر ایجاد کند و ریتم طبیعی گفت‌وگو را از بین ببرد. OpenAI می‌گوید GPT‑Live‑1 بخش شنیدن و صحبت‌کردن را در یک مدل مدیریت می‌کند و به همین دلیل واکنش به مکث، وقفه و تغییر مسیر مکالمه روان‌تر می‌شود.

در ارزیابی اعلام‌شده توسط OpenAI، این مدل در معیار Full Duplex Bench نسبت به GPT‑Realtime‑2.1 سی واحد درصد بهبود داشته است. بااین‌حال، این اعداد ارزیابی‌های منتشرشده خود شرکت‌اند و کیفیت واقعی هر محصول به طراحی، اتصال اینترنت، ابزارهای پشت‌صحنه و زبان مورد استفاده نیز وابسته خواهد بود.

شنیدن سریع، فکرکردن در پشت صحنه

GPT‑Live‑1 قرار نیست تمام کارهای سنگین را به‌تنهایی انجام دهد. توسعه‌دهنده می‌تواند آن را به یک مدل متنی قدرتمندتر یا ابزارهای دیگر متصل کند. در این معماری، GPT‑Live‑1 جریان زنده مکالمه را حفظ می‌کند و پرسش‌های نیازمند تحقیق، استدلال یا اجرای ابزار را به مدل پشت‌صحنه می‌سپارد.

این جداسازی برای تجربه کاربر مهم است: دستیار می‌تواند درخواست را بشنود و مکالمه را طبیعی ادامه دهد، درحالی‌که سامانه دیگری رزرو را بررسی می‌کند، داده‌ای را پیدا می‌کند یا یک فرایند چندمرحله‌ای را پیش می‌برد.

چه کاربردهایی برای آن وجود دارد؟

• پشتیبانی تلفنی و پاسخ‌گویی به مشتریان
• رزرو رستوران، نوبت یا خدمات از طریق تماس
• مربی زبان که به مکث زبان‌آموز فرصت می‌دهد
• دستیارهای صوتی داخل اپلیکیشن‌ها و سرویس‌ها
• همکاری صوتی با ابزارهای برنامه‌نویسی و کاری

کنترل لحن، سرعت و سبک صحبت از طریق دستور سیستمی، مدیریت بهتر سکوت و صدای محیط، حفظ کیفیت در گفت‌وگوهای طولانی و پشتیبانی از تماس تلفنی از قابلیت‌هایی هستند که OpenAI برای نسخه API مطرح کرده است.

دسترسی و هزینه چگونه است؟

GPT‑Live‑1 اکنون از طریق API در دسترس توسعه‌دهندگان قرار دارد. قیمت اعلام‌شده برای لایه صوتی جلویی ۰٫۰۵ دلار به‌ازای هر دقیقه است؛ هزینه مدل پشت‌صحنه و ابزارهای متصل جداگانه محاسبه می‌شود. بنابراین هزینه نهایی یک دستیار صوتی فقط به مدت مکالمه محدود نیست و به معماری محصول هم بستگی دارد.

محدودیت مهم چیست؟

طبیعی‌ترشدن صدا به معنای دقیق یا بی‌خطابودن پاسخ نیست. یک دستیار صوتی ممکن است منظور کاربر را اشتباه بفهمد، اطلاعات نادرست بدهد یا اقدامی را نامناسب اجرا کند. برای کاربردهایی مانند درمان، امور مالی، احراز هویت و خرید، تأیید روشن کاربر، امکان انتقال به نیروی انسانی و ثبت ایمن اقدامات همچنان ضروری است.