Story
OpenAI ra mắt mô hình giọng nói GPT-Live-1 cho các nhà phát triển qua API
OpenAI đã chính thức phát hành GPT-Live-1 trong giao diện lập trình ứng dụng (API) của mình, cung cấp cho các nhà phát triển một mô hình giọng nói tiên tiến được thiết kế để xây dựng các ứng dụng và quy trình kinh doanh hỗ trợ giọng nói.
Theo thông báo hôm thứ Năm, mô hình này có khả năng nghe và nói đồng thời, đồng thời có thể ủy thác các tác vụ suy luận và hành động cho các mô hình hoặc công cụ khác. Việc phát hành qua API cũng bao gồm các tính năng cho phép nhà phát triển tùy chỉnh trải nghiệm giọng nói cho từng người dùng và quy trình công việc cụ thể.
Cải tiến công nghệ và hiệu suất
GPT-Live-1 xử lý cả âm thanh đầu vào và đầu ra thông qua một mô hình duy nhất, giúp loại bỏ độ trễ thường thấy trong các kiến trúc truyền thống vốn yêu cầu nhiều bước riêng biệt (chuyển giọng nói thành văn bản, xử lý qua mô hình ngôn ngữ, rồi chuyển văn bản thành giọng nói).
Trong các đánh giá ban đầu, nền tảng học ngôn ngữ Speak báo cáo rằng GPT-Live-1 đã giảm tới 80% số lần ngắt lời so với các hệ thống theo lượt trước đây. Về mặt hiệu suất, mô hình này đã cải thiện 30 điểm phần trăm trên thang đo Full Duplex Bench so với GPT-Realtime-2.1. Khi kết hợp với mô hình GPT-6 Astra, nó đã xếp hạng nhất trên Tau3, một bài kiểm tra đo lường trí thông minh của trợ lý giọng nói trong các tác vụ đầu cuối.
Tác động đối với nhà phát triển và ứng dụng thực tế
AdViệc ra mắt GPT-Live-1 hứa hẹn sẽ đơn giản hóa đáng kể quá trình phát triển các ứng dụng giọng nói. Tony Stoyanov, đồng sáng lập và CTO của một công ty chăm sóc sức khỏe, cho biết mô hình mới đã giúp đơn giản hóa cơ sở mã nguồn của họ tới 80% và loại bỏ 23.000 dòng mã so với hệ thống cũ.
Các nhà phát triển có thể định hình tông giọng, nhịp độ và phong cách hội thoại của trợ lý ảo thông qua các chỉ thị hệ thống. Mô hình cũng có khả năng quản lý tiếng ồn xung quanh và sự im lặng mà không làm gián đoạn cuộc trò chuyện, đồng thời duy trì bối cảnh trong các tương tác kéo dài. Đáng chú ý, GPT-Live-1 hỗ trợ triển khai cho các ứng dụng tổng đài điện thoại (telephony).
Chi phí và kế hoạch tương lai
GPT-Live-1 hiện có sẵn trong API với mức giá 0,05 USD mỗi phút cho lớp giọng nói giao diện người dùng (front-end). Các nhà phát triển có thể kết hợp nó với mô hình phụ trợ (backend) và khung tác nhân (agent framework) mà họ lựa chọn.
OpenAI cũng đã mở rộng các tùy chọn giọng nói cho GPT-Live-1, bổ sung thêm các giọng nói mới với nhiều âm sắc, phương ngữ và ngôn ngữ khác nhau. Công ty cho biết sẽ tiếp tục mở rộng các tùy chọn giọng nói và hỗ trợ ngôn ngữ trong tương lai.