OpenAI เปิดตัว GPT‑Live เสียงเต็มสองทิศ เพิ่มการสนทนาธรรมชาติ.

OpenAI ประกาศเปิดตัว GPT‑Live พร้อมโมเดลเสียงสองรุ่นใหม่ที่ออกแบบให้ ChatGPT สามารถฟังและพูดพร้อมกันได้ทั่วโลกตั้งแต่วันนี้ การเปลี่ยนแปลงนี้มีความสำคัญต่อการใช้ AI ผ่านเสียง เพราะจะทำให้ประสบการณ์สนทนาเป็นธรรมชาติมากขึ้น ลดช่วงเวลาที่ต้องรอคอยระหว่างผู้พูดกับระบบ

Overview

GPT‑Live ประกอบด้วย GPT‑Live‑1 และ GPT‑Live‑1 mini ซึ่งเริ่มให้บริการบน iOS, Android และ ChatGPT.com โดยโมเดล GPT‑Live‑1 จะเป็นค่าเริ่มต้นสำหรับผู้ใช้แบบชำระเงิน (Go, Plus, Pro) ส่วน GPT‑Live‑1 mini ให้บริการแก่ผู้ใช้งานฟรีตามระดับที่กำหนด OpenAI ยังเปิดให้ลงทะเบียนเพื่อรับข้อมูลการนำโมเดลไปใช้กับ API ในอนาคต

• GPT‑Live‑1 – โมเดลหลักสำหรับ tier ชำระเงิน
• GPT‑Live‑1 mini – รุ่นย่อมสำหรับผู้ใช้ฟรี
• รองรับแพลตฟอร์ม iOS, Android, เว็บ (ChatGPT.com)

Technical Innovation

ความก้าวหน้าหลักของ GPT‑Live คือสถาปัตยกรรม full‑duplex ซึ่งหมายถึงการประมวลผลเสียงเข้าอย่างต่อเนื่องขณะระบบกำลังสร้างคำตอบออกมา ตามบล็อกวิจัยของ OpenAI การทำเช่นนี้ทำให้โมเดลสามารถตัดสินใจหลายครั้งต่อวินาทีว่า จะพูดต่อ, ฟังต่อ, หยุดชั่วคราว หรือแทรกการใช้เครื่องมืออื่นได้อย่างราบรื่น ผลที่ตามมาคือผู้ใช้งานจะได้รับการตอบสนองเช่น “mhmm”, “yeah” หรือ “got it” ขณะยังคงพูดอยู่ โดยไม่ต้องรอให้มีช่วงเงียบชัดเจนก่อน

ในโหมดเสียงแบบเดิม Advanced Voice Mode ที่เปิดตัวเมื่อกันยายน 2024 ยังพึ่งพาการตรวจจับความเงียบเพื่อกำหนดจังหวะการสนทนา ซึ่งทำให้ระบบอาจหยุดพูดเมื่อตรวจพบเสียงรบกวนหรือช่วงพักสั้น ๆ ทำให้ผู้ใช้บางคนรู้สึกว่าเป็นการสื่อสารแบบ “walkie‑talkie” GPT‑Live จึงมุ่งแก้ปัญหานี้ด้วยการประมวลผลต่อเนื่อง

Architecture & Decoupling

นอกจากการเปลี่ยนจาก turn‑by‑turn ไปเป็น full‑duplex แล้ว GPT‑Live ยังแยกชั้น “เสียง” ออกจาก “เหตุผล” อย่างชัดเจน เมื่อผู้ใช้ถามคำถามง่าย ๆ ระบบจะตอบโดยตรงผ่านโมเดลเสียง แต่หากต้องอาศัยการค้นหาเว็บ, การวิเคราะห์เชิงลึก หรือการทำงานแบบหลายขั้นตอน GPT‑Live จะส่งต่อให้กับ frontier model ที่ทำงานเบื้องหลัง ณ เวลานี้เป็น GPT‑5.5 ซึ่งเปิดตัวในเดือนเมษายน OpenAI ระบุว่า โมเดลนี้จะอัปเดตอย่างต่อเนื่องเมื่อมีโมเดลใหม่เข้ามา ทำให้เสียงที่ผู้ใช้ได้ยินยังคงราบรื่นขณะกระบวนการคิดทำงานแบบอะซิงโครนัส

แนวทางแยกชั้นนี้เป็นการออกแบบแบบโมดูลาร์ จึงสามารถอัปเกรด “ความฉลาด” ของระบบโดยไม่ต้องฝึกใหม่ทั้งหมดบนส่วนเสียง ซึ่งช่วยลดต้นทุนการพัฒนาและทำให้การปรับตัวต่อเทคโนโลยีล่าสุดเป็นไปได้เร็วขึ้น

Enterprise Impact

สำหรับองค์กรที่ต้องการใช้เอเย่นต์เสียงในบริการลูกค้า หรือแอปพลิเคชันภายใน การลดช่วงเงียบระหว่างการสนทนาจะเพิ่มความพึงพอใจของผู้ใช้งานอย่างมีนัยสำคัญ โมเดล GPT‑Live สามารถพูดต่อเนื่องขณะทำการค้นหาข้อมูลในฐานข้อมูลหรือระบบ ERP ได้โดยไม่มี “dead air” ซึ่งเป็นข้อจำกัดใหญ่ของโซลูชันเสียงแบบเก่า

นักพัฒนายังสามารถสมัครรับข่าวสารเพื่อเข้าถึง API ของ GPT‑Live การเปิดให้ใช้งานผ่าน API จะช่วยให้บริษัทต่าง ๆ สร้างประสบการณ์ผู้ใช้ที่รวมเอาการสนทนาแบบธรรมชาติและการคำนวณเชิงลึกไว้ในผลิตภัณฑ์เดียวกันโดยไม่ต้องผสานหลายระบบ

Evolution of Voice AI

GPT‑Live เป็นรุ่นที่สามของเทคโนโลยีเสียง ChatGPT เริ่มจาก ChatGPT Voice (2023) ที่ใช้สายงานแบบ cascaded: Whisper GPT‑4 โมเดล TTS ทำให้เกิดความหน่วงประมาณ 1.7 วินาทีและข้อมูลอาจสูญหายระหว่างการส่งต่อ ต่อมามี Advanced Voice Mode (กลาง‑ปลายปี 2024) ที่รวมสามขั้นตอนเป็นโมเดลเดียว พร้อมเสียงใหม่ห้าแบบ ได้แก่ Arbor, Maple, Sol, Spruce และ Vale ซึ่งลดความซับซ้อนและเพิ่มคุณภาพของสำเนียง GPT‑Live เพิ่มระดับต่อไปโดยทำให้การรับฟังและการพูดเกิดขึ้นพร้อมกัน ทั้งยังแยกส่วนการประมวลผลเหตุผลออกจากเสียง ทำให้ระบบสามารถปรับตัวตามโมเดลภาษาที่พัฒนาขึ้นใหม่ได้อย่างรวดเร็ว

Pricing & Availability

ในแง่ของราคา OpenAI ยังคงใช้รูปแบบระดับสมาชิกที่มีอยู่แล้ว ผู้ใช้ ChatGPT Plus และระดับ Pro จะได้รับ GPT‑Live‑1 เป็นค่าเริ่มต้นโดยอัตโนมัติ ส่วนผู้ใช้งานฟรีจะได้สัมผัสกับ GPT‑Live‑1 mini โดยไม่มีค่าใช้จ่ายเพิ่มเติม การเปิดตัวนี้เป็นการขยายความสามารถของเสียงให้ครอบคลุมกลุ่มผู้ใช้ทั้งหมดทั่วโลก

Summary

OpenAI เปิดตัว GPT‑Live พร้อมสถาปัตยกรรม full‑duplex ที่ทำให้การสนทนากับ ChatGPT มีความต่อเนื่องและเป็นธรรมชาติมากขึ้น โมเดลเสียงสองรุ่นถูกแยกตามระดับสมาชิก และการแยกชั้นเสียงจากเหตุผลเปิดโอกาสให้ธุรกิจนำเอา AI เสียงที่ราบรื่นมาผสานกับงานเชิงคำนวณขั้นสูงได้อย่างมีประสิทธิภาพ.