Vuoropohjainen puhe jää historiaan
OpenAI julkisti GPT-Liven, joka korvaa ChatGPT:n nykyisen ääniominaisuuden kokonaan. Uutuuden ydin on full-duplex-arkkitehtuuri: malli kuuntelee ja puhuu samaan aikaan sen sijaan, että se odottaisi käyttäjän lopettavan ja vasta sitten alkaisi vastata.
Ero kuulostaa pieneltä, mutta se muuttaa keskustelun rytmin. Vanha ääniominaisuus rakentui vuoroille. GPT-Live rakentuu jatkuvalle virralle, jossa molemmat osapuolet voivat olla äänessä yhtä aikaa.
Mitä full-duplex käytännössä tarkoittaa
Nykyinen ääniominaisuus toimii kuin radiopuhelin. Käyttäjä puhuu, järjestelmä havaitsee tauon, muuntaa puheen tekstiksi, muodostaa vastauksen ja lukee sen ääneen. Jokaiseen vaiheeseen kuluu aikaa, ja päälle puhuminen katkaisee koko ketjun.
Full-duplex poistaa tämän vuorottelun. Malli käsittelee saapuvaa ääntä koko ajan ja tuottaa samalla omaa puhettaan, kuten ihmiset tekevät puhelimessa. Kun käyttäjä keskeyttää, malli vaikenee saman tien eikä puske loppuun jo aloitettua virkettä.
Samalla logiikalla GPT-Live myötäilee puhujaa. Se heittää väliin lyhyitä äännähdyksiä, kuten "mhm" tai "joo", merkiksi siitä että se kuuntelee. Ihmisten kesken nämä myötäilyt ovat itsestäänselvyys, mutta tekoälypuheessa ne ovat olleet vaikeita, koska vanha malli ei voinut äännellä kesken käyttäjän vuoron.
Vaikea kysymys siirtyy huippumallille kesken keskustelun
GPT-Live nojaa kevyeen ja nopeaan malliin, joka pitää keskustelun sujuvana ja viiveettömänä. Nopeus on kuitenkin pois päättelykyvystä. Siksi malli delegoi hankalat kysymykset suuremmalle mallille kesken keskustelun.
Kun käyttäjä esittää kysymyksen joka vaatii syvempää harkintaa, GPT-Live siirtää tehtävän taustalla järeämmälle mallille ja täyttää odotusajan luontevalla puheella. Käyttäjän ei tarvitse tietää, kumpi malli milloinkin vastaa, eikä keskustelu pysähdy odotukseen.
“Puhe on vuorovaikutusta, ei viestien vaihtoa vuorotellen. Tekoälyn pitää osata olla äänessä ja kuunnella samaan aikaan, kuten ihminen puhelimessa.”
Kilpailijat kulkevat samaan suuntaan
OpenAI ei ole yksin. Googlen Gemini Live on jo tarjonnut keskeytettävää äänikeskustelua, jossa käyttäjä voi puhua mallin päälle ja ohjata keskustelua uuteen suuntaan. Meta on tuonut oman ääniassistenttinsa sovelluksiinsa ja panostanut luonnolliselta kuulostaviin ääniin.
Näissä ratkaisuissa keskeytys on kuitenkin ollut lähinnä tapa katkaista mallin puhe, ei aitoa samanaikaista kuuntelua ja puhetta. GPT-Live vie idean pidemmälle: tavoitteena on keskustelu, jossa hiljaisuutta ei tarvitse odottaa. Käytännön ero ratkeaa vasta, kun käyttäjät pääsevät vertailemaan malleja arjessa.
