GPT-Live-1 слуша и говори едновременно, а вече е и в API, с гласов слой за 5 цента на минута

Почти 80% по-малко прекъсвания по време на паузите за мислене, в ранни оценки. Това е числото на Speak, приложение за учене на езици, и то не е за скорост. Учителят на глас много по-рядко говори върху теб, докато още мислиш.

Който е учил език на глас с машина, познава проблема. Направиш пауза, за да намериш думата, и тя вече отговаря. За нея тишината е край на изречението.

Пълен дуплекс, с прости думи

Досега гласовите агенти работеха като радиостанция: ти говориш, пускаш бутона, той говори. Пълният дуплекс е телефонът. И двамата можете да говорите едновременно, да се прекъснете, да кажете „аха" насред чуждото изречение, без разговорът да се разпадне.

Разговорът е и да знаеш кога да мълчиш.

Хитрото е разделението. Гласовият модел държи разговора жив, а тежката мисъл може да отиде при друг модел отзад. Значи може да сложиш по-лек модел за записване на час и по-тежък за сложен проблем.

Числата за бенчмарка са на OpenAI. Цената от 0,05 долара, тоест 5 цента на минута, е само за гласа; моделът отзад се плаща отделно и сметката за него зависи от това колко мисли.

Ако правиш гласов асистент за клиенти на български, провери първо дали езикът ти е сред поддържаните. После пробвай не скоростта, а колко търпелив е, когато човекът отсреща търси думата.

Визуалът към статията е генериран код-арт, без чужди изображения.