مهر
اخبار
GPT-Live-1.1 در ChatGPT؛ ۱۳ صدای جدید و مدل صوتی پیش‌فرض تازه
مدل صوتی GPT-Live-1.1 با ۱۳ صدای جدید و تلفظ طبیعی‌تر وارد ChatGPT شد؛ مدلی که برای کاربران Plus پیش‌فرض است و برای بقیه نسخه‌ی سبک Quip را می‌آورد.
لیست مطالب
۱. چه اتفاقی افتاد؟
روز ۱۵ اکتبر ۲۰۲۶ شرکت OpenAI به‌روزرسانی تازه‌ای برای بخش صوتی ChatGPT معرفی کرد. نام این مدل GPT-Live-1.1 است و همراه آن مدل سبک‌تری با نام GPT-Live-1.1 Quip هم عرضه شده است. هدف اعلام‌شده دو چیز است: تلفظ طبیعی‌تر در چند زبان و پاسخ بهتر به دستورهایی که کاربر با صدا می‌دهد.
این خبر برای کسانی که هر روز با ChatGPT حرف می‌زنند اهمیت دارد، چون کیفیت صدا مستقیماً حس «صحبت با یک آدم» را تعیین می‌کند. اگر تا امروز مکالمه‌ی صوتی را فقط یک امکان جانبی می‌دانستید، این به‌روزرسانی نشان می‌دهد OpenAI آن را به یکی از محورهای اصلی محصول تبدیل کرده است.
برای دنبال‌کردن خبرهای مشابه می‌توانید به بخش اخبار هوش مصنوعی سر بزنید.
۲. GPT-Live از کجا آمد؟
برای فهم این خبر باید به نسخه‌ی اول برگردیم. GPT-Live در ۸ جولای معرفی شد و دو ویژگی کلیدی داشت. اولی مکالمه‌ی دوطرفه‌ی هم‌زمان (full-duplex) بود؛ یعنی مدل در حال صحبت هم گوش می‌دهد و شما می‌توانید وسط حرفش بپرید، درست مثل گفت‌وگوی دو انسان.
ویژگی دوم «واگذاری» (delegation) بود. وقتی درخواستی سنگین باشد، مکالمه‌ی صوتی قطع نمی‌شود و کار به مدل دیگری سپرده می‌شود تا شما همچنان بتوانید حرف بزنید. نسخه‌ی ۱.۱ روی همین پایه ساخته شده و بیشتر روی «جهت‌پذیری» تمرکز دارد؛ یعنی مدل بهتر به خواسته‌ی کاربر درباره‌ی لحن و سبک پاسخ می‌دهد.
جهت‌پذیری یعنی چه؟
وقتی از مدل می‌خواهید آرام‌تر صحبت کند، رسمی‌تر باشد یا کوتاه‌تر جواب بدهد، میزان اجرای درست این دستور همان جهت‌پذیری است. OpenAI می‌گوید نسخه‌ی ۱.۱ در این بخش بهتر شده، اما عدد دقیقی برای بهبود دقت تشخیص گفتار یا اجرای دستور منتشر نکرده است.
۳. ۱۳ صدای جدید و زبان‌ها
مهم‌ترین بخش ظاهری این به‌روزرسانی، ۱۳ صدای تازه است. صداهای فرانسوی، آلمانی، هندی و ژاپنی برای اولین بار اضافه شده‌اند. برای کره‌ای و اسپانیایی مکزیکی هم گزینه‌های جدید آمده و در انگلیسی صدایی به نام Bubbie معرفی شده است.
نکته‌ی مهم این است که در گزارش‌های منتشرشده فهرست کامل ۱۳ صدا نیامده و OpenAI هم اعلام کرده که در دسترس‌بودن صداهای جدید بسته به حساب و منطقه فرق می‌کند. بنابراین ممکن است همه‌ی کاربران همان لحظه همه‌ی صداها را نبینند.
درباره‌ی زبان فارسی در اطلاعیه‌ها چیزی گفته نشده است. اگر برای فارسی از ChatGPT صوتی استفاده می‌کنید، فعلاً باید آزمایش خودتان را انجام دهید و منتظر اطلاعیه‌ی رسمی بمانید.
۴. چه کسی کدام مدل را می‌گیرد؟
طبق گزارش‌ها، GPT-Live-1.1 برای کاربران Plus و پلن‌های بالاتر، از جمله در Codex و Dots، مدل صوتی پیش‌فرض می‌شود. کاربرانی که پلن بالاتر ندارند، به‌جای GPT-Live-1 mini مدل GPT-Live-1.1 Quip را دریافت می‌کنند.
به بیان ساده، همه‌ی کاربران به‌روزرسانی می‌گیرند، اما کیفیت و توان مدل بین پلن‌ها یکسان نیست. اگر صدا برای کار روزمره‌ی شما مهم است، این تفاوت می‌تواند در انتخاب اشتراک اثر بگذارد. آموزش‌های گام‌به‌گام استفاده از امکانات مختلف را در بخش آموزش‌های ChatGPT ببینید.
۵. Voice in Work؛ کار کردن با صدا
بخش «Voice in Work» اجازه می‌دهد با صدا کارهای واقعی انجام دهید؛ از ساخت سند تا کارهای مرورگر. این کارها در چارچوب مجوزهایی انجام می‌شود که خود کاربر داده است. همچنین «Live» می‌تواند به برنامه‌هایی که در حساب شما در دسترس است وصل شود.
یک محدودیت مهم وجود دارد: اقداماتی که نیاز به تأیید دارند هنوز باید روی صفحه تأیید شوند، چون تأیید گفتاری پشتیبانی نمی‌شود. این تصمیم منطقی است؛ چون اگر کسی در اتاق بلند حرف بزند، نباید بتواند کاری حساس را از طرف شما تأیید کند.
۶. ایمنی و آزمایش‌ها
OpenAI می‌گوید در آزمایش‌های صوتی دنیای واقعی، نسبت به مدل‌های قبلی افت معناداری از نظر آماری دیده نشده است. اما در آزمایش‌های مصنوعی، افت معنادار در چند حوزه مشاهده شد: محتوای جنسی، سلامت روان، وابستگی عاطفی و محتوای خشونت‌آمیز.
شرکت تأکید کرده که برای این موارد به پژوهش بیشتر نیاز است. این صراحت قابل‌توجه است، چون صدا ارتباط عاطفی‌تری از متن می‌سازد و هر مشکل در این حوزه‌ها می‌تواند اثر بیشتری داشته باشد. برای نگاه واقع‌بینانه به مرزهای این فناوری، نوشته‌ی توانایی‌ها و محدودیت‌های هوش مصنوعی را بخوانید.
۷. API و قیمت؛ چه چیزی هنوز نامشخص است؟
دسترسی API برای GPT-Live-1.1 در زمان انتشار وجود ندارد. OpenAI فقط اعلام کرده که بعداً می‌آید و تاریخی نگفته است. برای توسعه‌دهندگانی که می‌خواهند اپلیکیشن صوتی بسازند، این یعنی فعلاً باید به نسخه‌های قبلی تکیه کنند.
درباره‌ی قیمت و محدودیت استفاده هم در گزارش‌های منتشرشده چیزی ذکر نشده است. هر عددی که در شبکه‌های اجتماعی دیدید و منبع رسمی نداشت، باید با احتیاط بررسی شود.
۸. این خبر برای کاربران و کسب‌وکارها چه معنایی دارد؟
برای کاربران عادی، صدا می‌تواند راه سریع‌تری برای پرسیدن، یادداشت‌برداری و برنامه‌ریزی باشد. برای کسب‌وکارها، دستیار صوتی که کار انجام می‌دهد یک فرصت جدی است؛ از پاسخ‌گویی تا ساخت سند. درباره‌ی جایگاه این فناوری در تجارت، نوشته‌ی اهمیت هوش مصنوعی در کسب‌وکار را ببینید.
نکته‌ی عملی: کیفیت خروجی صوتی هم مثل متن به کیفیت درخواست بستگی دارد. اگر می‌خواهید نتیجه‌ی بهتری بگیرید، اصول نوشتن پرامپت همچنان کاربرد دارد؛ فقط این بار آن را با صدا بیان می‌کنید.
پیشنهاد برای شروع
اول مطمئن شوید برنامه‌ی ChatGPT شما به‌روز است. سپس در تنظیمات صدا، گزینه‌های جدید را امتحان کنید و برای یک کار واقعی، مثلاً خلاصه‌کردن یک ایمیل یا ساخت پیش‌نویس سند، از مکالمه‌ی صوتی استفاده کنید. اگر صدای جدیدی نمی‌بینید، احتمالاً هنوز برای حساب یا منطقه‌ی شما فعال نشده است.
رقابت در بازار دستیارهای صوتی
تمرکز OpenAI روی صدا تصادفی نیست. هرچه مدل‌ها در متن به هم نزدیک‌تر می‌شوند، تجربه‌ی کاربری، از جمله سرعت پاسخ، طبیعی‌بودن صدا و توانایی انجام کار، عامل تمایز می‌شود. اضافه‌شدن زبان‌هایی مثل هندی و ژاپنی نشان می‌دهد شرکت بازارهای غیرانگلیسی‌زبان را جدی گرفته است.
برای کاربران فارسی‌زبان، پیام این خبر دوگانه است: از یک سو روند بهبود صدا سریع است و احتمالاً زبان‌های بیشتری در راه است؛ از سوی دیگر تا اطلاعیه‌ی رسمی، نباید کیفیت فارسی را مثل زبان‌های جدید فرض کرد. بهترین کار آزمایش مستقیم و گزارش بازخورد به OpenAI است.
به‌طور کلی، پیش‌فرض‌شدن مدل جدید برای کاربران Plus و عرضه‌ی Quip برای بقیه نشان می‌دهد OpenAI می‌خواهد تجربه‌ی صوتی را سریع و گسترده پخش کند، در حالی که قابلیت‌های سنگین‌تر هنوز بین پلن‌ها تفکیک شده‌اند.
۹. چگونه بهترین نتیجه را از گفت‌وگوی صوتی بگیریم؟
مکالمه‌ی صوتی با متن تفاوت دارد و چند عادت ساده کیفیت آن را بالا می‌برد. اول، هدف را در همان جمله‌ی اول بگویید. به‌جای «یه سؤال دارم»، مستقیم بگویید «می‌خواهم یک ایمیل رسمی کوتاه برای مشتری بنویسم». مدل زودتر به مسیر درست می‌رسد و نیازی به رفت‌وبرگشت اضافه نیست.
دوم، از قابلیت میان‌حرف‌پریدن استفاده کنید. چون از نسخه‌ی اول مکالمه دوطرفه است، اگر پاسخ طولانی یا بی‌ربط شد می‌توانید همان لحظه مسیر را اصلاح کنید. این کار از گوش‌دادن به یک پاسخ دو دقیقه‌ای که لازم نیست جلوگیری می‌کند.
سوم، لحن و طول پاسخ را صریح بخواهید. چون نسخه‌ی ۱.۱ روی جهت‌پذیری کار کرده، عبارت‌هایی مثل «کوتاه و رسمی جواب بده» یا «آهسته‌تر توضیح بده» باید بهتر از قبل اجرا شوند. اگر نتیجه مطلوب نبود، دستور را ساده‌تر و تک‌هدفه کنید.
چه زمانی متن بهتر از صدا است؟
برای کارهایی که دقت بالایی می‌خواهند، مثل کد، جدول، عدد و نام‌های خاص، متن همچنان امن‌تر است، چون می‌توانید خروجی را مرور و اصلاح کنید. صدا برای ایده‌پردازی، یادداشت سریع، تمرین مکالمه‌ی زبان و کارهایی که دست‌هایتان مشغول است مناسب‌تر است.
۱۰. نکات حریم خصوصی و استفاده‌ی مسئولانه
وقتی با صدا کار می‌کنید، فقط محتوای متنی را به مدل نمی‌دهید؛ صدای خودتان و گاهی صدای اطرافیان هم ضبط می‌شود. پیش از استفاده در محیط کار یا جمع، تنظیمات حریم خصوصی حساب را بررسی کنید و بدانید چه چیزی ذخیره می‌شود.
درباره‌ی بخش «Voice in Work» هم احتیاط لازم است. هر مجوزی که به مدل برای سند یا مرورگر می‌دهید، دامنه‌ی کاری را که می‌تواند انجام دهد مشخص می‌کند. فقط دسترسی‌هایی بدهید که برای همان کار لازم است و اقدام‌های حساس را همیشه روی صفحه با دقت تأیید کنید.
نکته‌ی آخر به گزارش ایمنی برمی‌گردد. چون در آزمایش‌های مصنوعی افت در حوزه‌هایی مثل سلامت روان و وابستگی عاطفی دیده شده، بهتر است دستیار صوتی را جایگزین کمک تخصصی یا ارتباط انسانی نکنید و آن را ابزار کمکی بدانید.
۱۱. پرسش‌های متداول
GPT-Live-1.1 چه زمانی منتشر شد؟
در ۱۵ اکتبر ۲۰۲۶ توسط OpenAI معرفی شد.
چند صدای جدید اضافه شده است؟
۱۳ صدای جدید، از جمله صداهای فرانسوی، آلمانی، هندی و ژاپنی، به‌علاوه‌ی گزینه‌های تازه برای کره‌ای و اسپانیایی مکزیکی.
مدل Quip چیست؟
نسخه‌ی سبک‌تری که برای کاربران بدون پلن بالاتر جای GPT-Live-1 mini را می‌گیرد.
آیا API در دسترس است؟
خیر، فعلاً نه. OpenAI گفته بعداً می‌آید ولی تاریخ نداده است.
آیا فارسی پشتیبانی می‌شود؟
در اطلاعیه‌های منتشرشده به فارسی اشاره‌ای نشده است.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
