OpenAI เปิดตัว GPT-Live-1 โมเดลเสียงสำหรับนักพัฒนา ยกระดับการโต้ตอบแบบเรียลไทม์

OpenAI ได้ประกาศเปิดตัว GPT-Live-1 ผ่าน API อย่างเป็นทางการ ซึ่งเป็นโมเดลเสียงรุ่นใหม่ที่ออกแบบมาเพื่อให้นักพัฒนาสามารถสร้างแอปพลิเคชันและกระบวนการทำงานทางธุรกิจที่สั่งงานด้วยเสียงได้อย่างมีประสิทธิภาพสูงขึ้น โดยโมเดลนี้สามารถฟังและพูดได้พร้อมกัน ทำให้การสนทนาเป็นธรรมชาติและโต้ตอบได้ทันท่วงที

คุณสมบัติเด่นของ GPT-Live-1

โมเดล GPT-Live-1 ถูกสร้างขึ้นบนสถาปัตยกรรมที่จัดการทั้งเสียงขาเข้าและขาออกภายในโมเดลเดียว ซึ่งช่วยลดความหน่วงที่มักเกิดขึ้นในระบบแบบดั้งเดิมที่ต้องแยกส่วนระหว่างการแปลงเสียงเป็นข้อความ (speech-to-text) การประมวลผลด้วยโมเดลภาษา และการแปลงข้อความกลับเป็นเสียง (text-to-speech)

คุณสมบัติที่สำคัญสำหรับนักพัฒนาประกอบด้วย:

• การทำงานร่วมกับโมเดลอื่น: สามารถส่งต่อการใช้เหตุผลและการเรียกใช้เครื่องมือไปยังโมเดล backend อื่นๆ เช่น GPT-6 Astra หรือโมเดลจากบริษัทภายนอกได้
• การปรับแต่งเสียงสนทนา: นักพัฒนาสามารถกำหนดน้ำเสียง จังหวะ และรูปแบบการสนทนาของ AI agent ผ่าน system prompt
• การจัดการเสียงรบกวน: โมเดลสามารถจัดการกับเสียงรบกวนรอบข้างและความเงียบได้โดยไม่ขัดจังหวะการสนทนา
• การใช้งานในระบบโทรศัพท์: รองรับการติดตั้งเพื่อใช้งานกับ voice agent ผ่านระบบโทรศัพท์ (telephony deployment)

ผลกระทบและกรณีศึกษาจากผู้ใช้งานจริง

Ad

การเปิดตัว GPT-Live-1 มีนัยสำคัญต่ออุตสาหกรรมที่ต้องการสร้างประสบการณ์ผู้ใช้ผ่านเสียงที่ราบรื่นและมีประสิทธิภาพมากขึ้น จากข้อมูลการประเมินเบื้องต้น แพลตฟอร์มการเรียนภาษาอย่าง Speak รายงานว่าโมเดลใหม่นี้ช่วยลดการขัดจังหวะในการสนทนาได้เกือบ 80% เมื่อเทียบกับระบบเดิม ทำให้นักเรียนมีเวลาคิดก่อนที่จะได้รับคำตอบ

ในขณะเดียวกัน Tony Stoyanov ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของบริษัทด้านการดูแลสุขภาพแห่งหนึ่งระบุว่า GPT-Live-1 ช่วยให้โค้ดเบสของพวกเขาง่ายขึ้นถึง 80% และสามารถลบโค้ดที่ไม่จำเป็นออกไปได้ถึง 23,000 บรรทัดเมื่อเทียบกับระบบก่อนหน้า ซึ่งสะท้อนถึงประสิทธิภาพในการพัฒนาที่เพิ่มขึ้นอย่างชัดเจน

ประสิทธิภาพและราคา

ในด้านประสิทธิภาพ GPT-Live-1 ทำคะแนนบน Full Duplex Bench ได้ดีขึ้น 30 จุดเปอร์เซ็นต์ (percentage points) เมื่อเทียบกับ GPT-Realtime-2.1 และเมื่อทำงานร่วมกับ GPT-6 Astra ก็สามารถทำคะแนนเป็นอันดับหนึ่งบน Tau3 ซึ่งเป็นมาตรวัดความฉลาดของ voice agent ในการทำงานแบบ end-to-end

OpenAI ได้ตั้งราคาค่าบริการสำหรับ GPT-Live-1 ในส่วนของ voice layer ด้านหน้าไว้ที่ $0.05 ต่อนาที โดยนักพัฒนาสามารถเลือกเชื่อมต่อกับโมเดล backend และ agent framework ที่ตนเองต้องการได้ นอกจากนี้ บริษัทยังได้เพิ่มตัวเลือกเสียงใหม่ๆ ที่ครอบคลุมสำเนียงและภาษาที่หลากหลายมากขึ้น และมีแผนที่จะขยายตัวเลือกต่อไปในอนาคต