Nowa funkcja w GPT‑4o budzi emocje użytkowników. Szef OpenAI wyjaśnia, dlaczego mają z nią problem

13 maja została zaprezentowana nowa wersja dużego modelu językowego o nazwie GPT-4o. W międzyczasie zdążyła ona już trafić do użytkowników ChatGPT. Co ciekawe częściowy dostęp do niej uzyskały także osoby, korzystające z darmowej wersji tej aplikacji. Jednak największe zainteresowanie wzbudziła prezentacja nowego trybu głosowego, który ma umożliwić prowadzenie z AI wyjątkowo naturalnych konwersacji.

Od tygodnia użytkownicy z całego świata intensywnie testują tryb głosowy ChatGPT. Na TikToku można znaleźć wiele filmów, w których autorzy albo krytykują niezgodność z możliwościami zaprezentowanymi przez OpenAI, albo - co jeszcze ciekawsze - są pełni zachwytów. Wiąże się z tym jednak jeden mały, acz zasadniczy problem.

Na razie użytkownicy wciąż mogą korzystać jedynie z tekstowych możliwości modelu GPT-4o. Mimo że OpenAI wyraźnie zaznaczyło, zarówno podczas prezentacji, jak i w komunikacie prasowym, że nowy tryb głosowy zostanie dodany "w ciągu kilku tygodni", wiele osób tego nie zauważyło.

Co zatem testują i oceniają użytkownicy oraz dziennikarze technologiczni? Korzystają z trybu głosowego, który trafił do aplikacji ChatGPT we wrześniu 2023 roku.

Do całego zamieszania postanowił odnieść się Szef OpenAI. Wyjaśnił, że nowy tryb głosowy nie został jeszcze wprowadzony, choć tryb tekstowy GPT-4o już jest dostępny. Na X (dawniej Twitter) Sam Altman starał się uświadomić użytkownikom, że korzystają ze starej wersji aplikacji.

Pierwsza wersja trybu głosowego jest - jak na dzisiejsze standardy - dość prymitywna, ponieważ opiera się na trzech różnych sieciach neuronowych. Aplikacja ChatGPT najpierw zamienia mowę na tekst, potem wysyła zaś tekstowe zapytanie do modelu GPT i dopiero uzyskaną od niego odpowiedź zamienia na mowę.

Takie działanie tej funkcji wiąże się z kilkoma problemami. Po pierwsze, działanie trzech różnych systemów jest wolne, co powoduje, że na odpowiedź trzeba czekać kilka sekund, co zabija dynamikę konwersacji. Po drugie, do GPT trafia tylko transkrypcja zapytania. W efekcie aplikacja nie rozpoznaje głosów, tonu wypowiedzi ani dźwięków w tle.

Nowa wersja trybu głosowego ChatGPT jest wolna od tych ograniczeń. Wykorzystuje ona pojedynczą sieć neuronową, zbudowaną od podstaw z myślą o komunikacji werbalnej w czasie rzeczywistym. Na filmach promocyjnych pokazano, jak sztuczna inteligencja reaguje na różne głosy, dźwięki i tony wypowiedzi. Co ciekawe, można jej przerwać w połowie zdania. Wprowadzone usprawnienia mają konkretny cel - komunikacja z AI ma przypominać rozmowę z człowiekiem.

Nowy tryb głosowy zostanie udostępniony publicznie za kilka tygodni, jednak tylko dla użytkowników płatnej usługi ChatGPT Plus. Twórcy zaznaczają, że zdają sobie sprawę, iż rozbudowane możliwości GPT-4o wiążą się z wieloma nowymi zagrożeniami, dlatego w fazie alpha funkcjonalność tej usługi będzie częściowo ograniczona.

W przyszłości ChatGPT ma również otrzymać usprawnione rozpoznawanie obrazu. Umożliwi to prowadzenie konwersacji z AI na temat obrazu przechwytywanego przez kamerę smartfona.