TechTalkThai ศูนย์รวมข่าว Enterprise IT ออนไลน์แห่งแรกในประเทศไทย
OpenAI เปิดตัว GPT-Live โมเดล AI ด้านเสียงรุ่นใหม่ที่ใช้สถาปัตยกรรมแบบ full-duplex ฟังและพูดได้พร้อมกัน ทำให้การสนทนากับ AI ผ่านเสียงเป็นธรรมชาติมากขึ้น พร้อมนำมาขับเคลื่อน ChatGPT Voice เวอร์ชันใหม่ทั่วโลกทันที
GPT-Live ถูกออกแบบมาบนสถาปัตยกรรมแบบ full-duplex ที่สามารถฟังและพูดในเวลาเดียวกันได้ ต่างจากระบบเสียงรุ่นก่อนอย่าง cascaded voice system ที่ต้องต่อโมเดลหลายตัวเข้าด้วยกัน (speech-to-text, LLM และ text-to-speech) ซึ่งทำงานช้าและขาดความต่อเนื่อง รวมถึงระบบแบบ turn-based อย่าง Advanced Voice Mode ที่ยังต้องรอให้ผู้ใช้งานพูดจบก่อนจึงจะตอบ ทำให้บทสนทนามีความแข็งทื่อ ในทางกลับกัน GPT-Live ประมวลผลเสียงที่รับเข้ามาพร้อมกับสร้างเสียงตอบกลับอย่างต่อเนื่อง จึงตัดสินใจได้หลายครั้งต่อวินาทีว่าจะพูด ฟังต่อ หยุด ขัดจังหวะ หรือเรียกใช้ tool
จุดเด่นสำคัญอีกอย่างคือการแยกส่วนการสนทนาแบบต่อเนื่องออกจากงานที่ต้องคิดหนัก เมื่อคำถามต้องอาศัยการค้นหาข้อมูล การให้เหตุผลเชิงลึก หรืองานแบบ agentic ตัว GPT-Live จะมอบหมายงานนั้นให้โมเดลเบื้องหลังอย่าง GPT-5.5 ประมวลผล แล้วนำผลลัพธ์กลับเข้ามาในบทสนทนาเมื่อพร้อม โดยระหว่างที่ทำงานอยู่ผู้ใช้งานยังคุยกับ GPT-Live ต่อได้โดยไม่สะดุด สถาปัตยกรรมนี้ยังทำให้ GPT-Live อัปเดตไปใช้โมเดลใหม่ล่าสุดได้ตลอด และผู้ใช้งานสามารถเลือกระดับการให้เหตุผลได้ทั้งแบบ Instant สำหรับการตอบเร็ว หรือ Medium และ High เมื่อต้องการให้ใช้เวลาคิดมากขึ้น ผู้ที่สนใจสามารถลงทะเบียนเพื่อรอรับ API ของ GPT-Live ที่จะเปิดตามมาในเร็ว ๆ นี้ได้
จากการทดสอบเทียบแบบ head-to-head พบว่า GPT-Live-1 และ GPT-Live-1 mini ได้รับความนิยมเหนือกว่า Advanced Voice Mode อย่างชัดเจนทั้งด้านการสลับกันพูด การขัดจังหวะ และความลื่นไหลของบทสนทนา อีกทั้งยังทำคะแนนได้ดีกว่าบน benchmark อย่าง GPQA (การให้เหตุผลเชิงวิทยาศาสตร์ระดับผู้เชี่ยวชาญ) และ BrowseComp (การค้นหาข้อมูลบนเว็บแบบ agentic) ขณะเดียวกัน ChatGPT Voice เวอร์ชันใหม่ที่ขับเคลื่อนด้วย GPT-Live ยังตอบรับสิ่งที่ผู้ใช้งานพูดด้วยคำอย่าง “mhmm” หรือ “got it” ฟังได้ดีขึ้นแม้มีเสียงรบกวนรอบข้าง รองรับการแสดงผลแบบ visual card สำหรับข้อมูลเช่นสภาพอากาศ หุ้น และกีฬา พร้อมปรับปรุงเสียงพูดทั้ง 9 แบบใหม่ ปัจจุบันมีผู้ใช้งานคุยกับ ChatGPT ผ่านฟีเจอร์อย่าง Voice และ Dictation มากกว่า 150 ล้านคนต่อสัปดาห์ นอกจากนี้ OpenAI ยังเพิ่มการฝึกด้านความปลอดภัยเฉพาะสำหรับเสียง พร้อมมาตรการป้องกันที่ทำงานได้ทันทีระหว่างที่โมเดลกำลังพูด โดยรายละเอียดอยู่ใน system card
GPT-Live เริ่มทยอยเปิดให้ผู้ใช้งาน ChatGPT ทั่วโลกแล้วบน iOS, Android และ ChatGPT.com โดย GPT-Live-1 จะเป็นโมเดลหลักของ ChatGPT Voice สำหรับผู้ใช้งานแผน Go, Plus และ Pro ส่วน GPT-Live-1 mini จะเป็นค่าเริ่มต้นสำหรับผู้ใช้งานแบบ Free ทั้งนี้ในช่วงเปิดตัว GPT-Live ยังไม่รองรับการใช้เสียงร่วมกับวิดีโอหรือการแชร์หน้าจอ และบางภาษาอาจมีสำเนียงหรือความคล่องที่ยังไม่สมบูรณ์ ซึ่ง OpenAI ระบุว่ากำลังพัฒนาเพิ่มเติมอยู่
