OpenAI ha annunciato il lancio di GPT-Live, una coppia di nuovi modelli vocali che ridefiniscono l'interazione con ChatGPT, sostituendo la precedente Advanced Voice Mode con un'architettura in grado di ascoltare e parlare simultaneamente, proprio come in una conversazione umana. I modelli, denominati GPT-Live-1 e GPT-Live-1 mini, sono disponibili da oggi a livello globale su iOS, Android e ChatGPT.com. GPT-Live-1 diventa il modello vocale predefinito per gli utenti paganti dei piani Go, Plus e Pro, mentre GPT-Live-1 mini serve gli utenti della versione gratuita. OpenAI prevede inoltre di rendere i modelli disponibili tramite API e gli sviluppatori possono già registrarsi per ricevere notifiche.
Il rilascio segna la terza generazione della tecnologia vocale di ChatGPT in circa due anni e rappresenta il tentativo più chiaro di trasformare il chatbot in qualcosa che assomigli più a un colloquio con un collega che a una ricerca su un motore di ricerca. Il progresso tecnico fondamentale è l'architettura full-duplex, che in telecomunicazioni indica la capacità di entrambe le parti di parlare e ascoltare contemporaneamente. Applicato all'intelligenza artificiale, significa che il modello elabora continuamente l'audio in entrata mentre genera la propria risposta vocale, eliminando la necessità di attendere una pausa di silenzio per capire quando l'utente ha finito di parlare.
Sponsored Protocol
Il modello full-duplex elimina le interruzioni innaturali e migliora il flusso del dialogo
Secondo OpenAI, GPT-Live elabora continuamente l'input mentre genera output, prendendo decisioni molte volte al secondo: se parlare, continuare ad ascoltare, fare una pausa, interrompere o invocare uno strumento. In pratica, l'assistente vocale può inserire cenni di assenso come "mhmm", "ok" o "capito" mentre l'utente sta ancora parlando, cogliere una pausa naturale senza intervenire prematuramente e gestire interruzioni rapide senza far deragliare l'intero scambio. La precedente Advanced Voice Mode, lanciata a settembre 2024, operava su rigidi scambi a turni, dove la rilevazione del silenzio poteva portare a interruzioni in momenti innaturali, come in un bar affollato o durante una pausa di riflessione. GPT-Live è progettato per superare questi limiti.
Sponsored Protocol
Separazione tra strato vocale e strato di ragionamento per una maggiore flessibilità
GPT-Live introduce una seconda innovazione strutturale: disaccoppia lo strato di interazione vocale dal livello di ragionamento. Quando l'utente pone una domanda semplice, il modello la gestisce direttamente. Per richieste più complesse, come ricerche sul web o ragionamenti avanzati, GPT-Live delega il compito a un modello di frontiera eseguito in background, al lancio GPT-5.5, continuando a conversare con l'utente in modo asincrono. Questo design modulare consente di aggiornare l'intelligenza dell'assistente vocale senza dover riaddestrare il modello vocale stesso, con implicazioni significative per i flussi di lavoro aziendali. Un agente vocale può mantenere una conversazione naturale con un cliente mentre interroga database o esegue ragionamenti multi-step, attività che nel vecchio sistema introducevano diversi secondi di silenzio.
Sponsored Protocol
Dalle prime versioni a GPT-Live: tre generazioni di voce AI a confronto
La prima versione, ChatGPT Voice del 2023, utilizzava un sistema a cascata: un modello di riconoscimento vocale (Whisper) trascriveva l'audio, un LLM (GPT-4) generava la risposta testuale e un sintetizzatore vocale la convertiva in audio. Ogni passaggio introduceva latenza e perdita di informazioni, con un ritardo totale di circa 1.700 millisecondi. La Advanced Voice Mode del 2024 ha compresso il tutto in un unico modello che elabora nativamente l'audio, ma manteneva ancora uno scambio a turni. GPT-Live segna un salto qualitativo, eliminando la struttura a turni e introducendo il full-duplex. OpenAI ha anche rimasterizzato le nove voci di ChatGPT e implementato salvaguardie per evitare l'imitazione di persone reali, un tema caldo dopo la controversia con Scarlett Johansson nel 2024, quando una voce simile a quella dell'attrice fu ritirata dopo le critiche. GPT-Live è progettato per superare queste controversie, concentrandosi sulla conversazione naturale piuttosto che sull'imitazione.
Sponsored Protocol
Oltre 150 milioni di persone usano la voce di ChatGPT ogni settimana. Le nuove funzionalità includono schede visive con previsioni meteo, dati di borsa e mappe, tre livelli di ragionamento (Immediato, Medio, Alto) e una migliore gestione dei rumori di fondo. Anche i test di sicurezza mostrano miglioramenti significativi, con punteggi di sicurezza in aumento in aree come comportamenti illeciti e autolesionismo. Tuttavia, OpenAI ha riconosciuto che alcuni rischi, come la dipendenza emotiva, richiedono un monitoraggio continuo.
Sponsored Protocol
Nel frattempo, concorrenti come Google con Gemini Live, ByteDance con Seeduplex e Nvidia con PersonaPlex hanno già lanciato sistemi full-duplex. La corsa alla voce AI naturale è diventata un requisito standard per i prodotti consumer, e OpenAI sfrutta la sua base utenti e l'integrazione con modelli avanzati per mantenere il vantaggio competitivo. GPT-Live non supporta ancora video o condivisione dello schermo, e l'accesso API non è immediato, ma l'azienda promette aggiornamenti continui.
Per approfondire il tema dell'intelligenza artificiale e della generazione di immagini, leggi l'articolo su Meta che utilizza le foto pubbliche di Instagram per l'AI. Inoltre, un'analisi approfondita delle architetture full-duplex è disponibile su Wikipedia.
