أطلقت «أوبن إيه آي» جيلاً جديداً من نماذج الصوت باسم «جي بي تي لايف» (GPT-Live) في خطوة تهدف إلى جعل التحدث مع «تشات جي بي تي» أقرب إلى محادثة بشرية طبيعية، لا تبادل أوامر متقطعة بين المستخدم والنظام. ويبدأ طرح النموذج عالمياً داخل تجربة «ChatGPT Voice» عبر نسختين هما «GPT-Live-1» و«GPT-Live-1 mini» على أن يصل لاحقاً إلى واجهة البرمجة للمطورين والشركات.
الاستماع والتحدث معاً
الفرق الأساسي في النموذج الجديد أنه يعتمد على بنية تعرف باسم «full-duplex» أي أنه يستطيع الاستماع والتحدث في الوقت نفسه. في النماذج الصوتية السابقة، كان النظام ينتظر غالباً انتهاء المستخدم من الكلام قبل أن يبدأ في الرد، مما يجعل الحوار أقرب إلى جولات منفصلة. أما في النموذج الجديد، فيستطيع النظام متابعة الكلام، أو الصمت عندما يحتاج المستخدم إلى التفكير، أو الرد السريع، أو استخدام عبارات قصيرة تدل على أنه يتابع الحديث.
تقول «أوبن إيه آي» إن «GPT-Live» يستطيع اتخاذ قرارات تفاعلية مرات عدة في الثانية، مثل أن يتكلم أو يواصل الاستماع أو يتوقف أو يقاطع أو يستدعي أداة أخرى. هذا التحول مهم لأن كثيراً من الإحباط في تجارب الصوت السابقة كان ناتجاً عن سوء تقدير لحظة انتهاء الكلام، خصوصاً عند وجود توقف قصير أو ضوضاء في الخلفية.
تفاعل مستمر
توضح الشركة أن أجيالاً سابقة من أنظمة الصوت اعتمدت على سلسلة من النماذج المتتابعة أي نموذج يحول الكلام إلى نص، ثم نموذج لغوي ينتج الإجابة، ثم نموذج آخر يحول النص إلى صوت. هذه الطريقة فتحت الباب أمام المحادثة الصوتية مع نماذج متقدمة، لكنها كانت بطيئة نسبياً، وقد تفقد بعض المعلومات أثناء انتقالها بين النماذج.
أما «Advanced Voice Mode» فاختصر بعض هذه الخطوات عبر معالجة الصوت وإنتاجه داخل نموذج واحد، لكنه ظل قائماً على مبدأ الأدوار المنفصلة بين المستخدم والنظام. لذلك لم يكن الحوار دائماً بالمرونة نفسها التي تحدث في المحادثات البشرية، حيث يمكن للشخصين المقاطعة والتوضيح والتوقف والمتابعة بصورة طبيعية.
يحاول «GPT-Live» تجاوز هذا القيد عبر معالجة مستمرة للمدخلات الصوتية أثناء توليد الرد، مما يسمح بتدفق أكثر مرونة. وتقول الشركة إن ذلك يدعم أيضاً استخدامات مثل الترجمة المباشرة، لأن النظام لا يحتاج إلى انتظار انتهاء مقطع طويل قبل أن يبدأ في التعامل معه.
عقل أعمق في الخلفية
لا يقتصر التغيير على أسلوب الحوار حيث إن النموذج الجديد يفصل بين طبقة التفاعل الصوتي السريع والمهام التي تحتاج إلى تفكير أعمق أو بحث أو تنفيذ خطوات أكثر تعقيداً. عند الحاجة، يمكن لـ«GPT-Live» أن يحيل المهمة إلى نموذج أكثر تقدماً في الخلفية، مثل «GPT-5.5» عند الإطلاق، ثم يعيد النتيجة إلى المحادثة عندما تصبح جاهزة.
هذا التصميم يعالج مشكلة عملية في واجهات الصوت. فالمستخدم لا يريد أن تتحول كل مهمة صعبة إلى صمت طويل، ولا يريد في الوقت نفسه إجابة سطحية لمجرد الحفاظ على سرعة الحوار. لذلك يحاول النظام الجمع بين الاستجابة الصوتية السريعة والقدرة على الاستعانة بنموذج أقوى للبحث أو التحليل أو تنفيذ مهام أكثر تعقيداً.
وتشير «أوبن إيه آي» إلى أن هذا النهج قد يفتح لاحقاً المجال أمام استخدام الصوت في أعمال أطول وأكثر تعقيداً وذات طابع وكيل، حيث لا يكتفي النموذج بالرد، بل يساعد في إنجاز مهام متعددة أثناء استمرار المحادثة.
تجربة جديدة داخل «تشات جي بي تي»
مع الطرح الجديد، يصبح «GPT-Live» المحرك الافتراضي لتجربة الصوت في «تشات جي بي تي». وستحصل خطط «Go» و«Plus» و«Pro» على: «GPT-Live-1» بينما تعتمد الخطة المجانية على «GPT-Live-1 mini». وتقول الشركة إن أكثر من 150 مليون شخص يستخدمون أسبوعياً ميزات مثل الصوت والإملاء داخل «تشات جي بي تي»، سواء للمساعدة اليومية من دون استخدام اليدين، أو ممارسة اللغات، أو المحادثة أثناء التنقل.
وتتضمن التجربة الجديدة قدرة أفضل على الاستماع في ظروف أقل مثالية، مثل وجود ضوضاء في الطريق أو محادثات قريبة، إضافة إلى إمكانية أن يطلب المستخدم من النظام أن ينتظر أو يصمت أو يبطئ إيقاعه. كما أعادت الشركة تحسين الأصوات التسعة المتاحة في «تشات جي بي تي» لتناسب النموذج الجديد.
وتضيف «أوبن إيه آي» أن الصوت سيستمر في دعم البحث والذاكرة والصور ورفع الملفات، مع إمكانية عرض بطاقات مرئية لبعض الإجابات، مثل الطقس أو الأسهم أو الرياضة، أثناء استمرار المحادثة الصوتية.
السلامة في محادثة فورية
لأن الصوت أكثر قرباً وحساسية من النص، خصصت الشركة جانباً من الإعلان لإجراءات السلامة. فقد وسّعت اختبارات النموذج لتشمل تقييمات صوتية مرتبطة بمخاطر مثل إيذاء النفس، والاعتماد العاطفي على الذكاء الاصطناعي، والعنف، والمحتوى الجنسي. كما تقول إن النظام يملك آليات يمكن أن تتدخل أثناء الكلام إذا رصدت مخرجات غير آمنة، إما بتوجيه الرد نحو مسار أكثر أماناً، أو عرض موارد دعم، أو إنهاء المحادثة في الحالات الأعلى خطراً.
وتقول الشركة أيضاً إن «GPT-Live» مصمم للمحادثة لا لتقليد أصوات أشخاص حقيقيين، ويستخدم مجموعة محددة مسبقاً من الأصوات داخل «تشات جي بي تي»، مع ضوابط تمنع انتحال الأصوات.
حدود الإطلاق
رغم الطرح الواسع، لا تزال هناك حدود واضحة. فالنموذج لا يدعم عند الإطلاق استخدام الصوت مع الفيديو أو مشاركة الشاشة داخل «تشات جي بي تي»، مع أن الشركة تقول إنها تعمل على إضافة هذه القدرات لاحقاً. كما تشير إلى أن النموذج محسن لبعض اللغات الأكثر استخداماً في «تشات جي بي تي»، وأن بعض اللغات قد تظهر فيها لكنة غير أصلية أو فجوات في الطلاقة.
يمثل «GPT-Live» محاولة لنقل الذكاء الاصطناعي الصوتي من مرحلة الأوامر المتبادلة إلى واجهة أكثر استمرارية، تستطيع الاستماع والتحدث والانتظار والاستعانة بنماذج أقوى في الخلفية. وإذا نجح هذا الاتجاه، فقد يصبح الصوت واجهة رئيسية للتعامل مع الذكاء الاصطناعي، ليس فقط للسؤال والجواب، بل للتعاون على مهام يومية أطول وأكثر تعقيداً.
