OpenAI નું GPT-Live-1 મોડેલ એપીઆઈમાં લોન્ચ, એક સાથે સાંભળે પણ બોલે પણ

ઓપનએઆઈ (OpenAI) એ ડેવલપર્સ માટે તેનું વોઈસ મોડેલ GPT-Live-1 એપીઆઈ (API)માં લોન્ચ કર્યું છે. આ મોડેલ પહેલા ChatGPTમાં આવ્યું હતું, હવે ડેવલપર્સ તેના પર પોતાની વોઈસ એપ્લિકેશન અને બિઝનેસ વર્કફ્લો બનાવી શકશે.

એક સાથે સાંભળે પણ બોલે પણ

GPT-Live-1 ની સૌથી મોટી ખાસિયત એ છે કે તે એક જ સમયે સાંભળી અને બોલી શકે છે. આજના મોટા ભાગના વોઈસ એજન્ટમાં સ્પીચ-ટુ-ટેક્સ્ટ, પછી રીઝનિંગ મોડેલ અને પછી ટેક્સ્ટ-ટુ-સ્પીચ — એમ ત્રણ ભાગ જોડવા પડે છે. દરેક જોડાણ પર થોડી ડિલે થાય છે અને વાતચીતની લય બગડે છે. GPT-Live-1 માં સાંભળવાનું અને બોલવાનું બંને એક જ મોડેલ સંભાળે છે.

મોડેલ વચ્ચે કોઈ બોલે ત્યારે તેને વચ્ચેથી રોકી શકે છે, વ્યક્તિની બાજુમાં બીજા કોઈની વાત હોય કે બેકગ્રાઉન્ડમાં શોર હોય તો પણ વાતચીત ચાલુ રાખે છે. ઓપનએઆઈ કહે છે કે મોડેલ દરેક સ્ટેપ બહાર બોલીને સમય બગાડતું નથી, પાછળ ચૂપચાપ કામ ચાલુ રાખે છે.

ભાષા શીખવતી કંપની Speak નો અનુભવ

ઓપનએઆઈ એ પહેલાં પરીક્ષણમાં ભાષા શીખવતી કંપની Speak સાથે કામ કર્યું. તેમને જણાયું કે GPT-Live-1 લર્નરને જવાબ આપતા પહેલા વિચારવા માટે વધારે સમય આપે છે, અને અત્યાર સુધીની ટર્ન-બેઝ્ડ સિસ્ટમ સાથે સરખાવીએ તો વચ્ચે ટૂંકી પડવાના કિસ્સા લગભગ 80% ઘટી ગયા.

ડેવલપર્સ માટે આ મોડેલમાં બીજી પણ ક્ષમતાઓ છે:

• વ્યવસ્થિત ઇન્ટરપ્શન હેન્ડલિંગ — એક જ મોડેલ આવતા અને જતા બંને ઓડિયો પર કામ કરે છે
• ઊંડું રીઝનિંગ અને ટૂલ કોલિંગ પાછળના ટેક્સ્ટ મોડેલ જેમ કે GPT-6 Astra કે ત્રીજા-પક્ષના મોડેલને સોંપી શકે છે
• સિસ્ટમ પ્રોમ્પ્ટ થકી એજન્ટનો ટોન, ગતિ અને વાતચીતની ઢબ ડેવલપર નક્કી કરી શકે છે
• લાંબી વાતચીતમાં પણ કોન્ટેક્સ્ટ યાદ રહે છે અને ક્વોલિટી જળવાય છે
• ફોન કોલ માટે ટેલિફોની સપોર્ટ — રેસ્ટોરાંમાં ટેબલ બુક કરવાથી લઈને કસ્ટમર સપોર્ટ સુધી

મોડેલ ASR ટ્રાન્સ્ક્રિપ્ટ અને રિસ્પોન્સ ટેક્સ્ટ પોતાની તરફથી આપે છે, અંક-અક્ષર સમજવામાં સારું છે અને કીવર્ડ બાયસિંગ પણ સપોર્ટ કરે છે. ટર્ન-બેઝ્ડ મોડેલ ન હોવા છતાં ટર્ન ડિટેક્શન નેટીવ આધાર આપે છે.

કેવું કામ કરે છે તેના આંકડા

ઓપનએઆઈ ના પરીક્ષણોમાં GPT-Live-1 એ Full Duplex Bench માં GPT-Realtime-2.1 કરતાં 30 પર્સેન્ટેજ પોઈન્ટ વધારે પરફોર્મન્સ બતાવ્યું. ટર્ન-ટેકિંગની ડિલે અને વાતચીત વચ્ચેના વર્તનમાં મોટો સુધારો છે. GPT-6 Astra સાથે મીડિયમ રીઝનિંગ એફર્ટ પર જોડાયા ત્યારે તેણે Tau3 પર પણ પહેલો નંબર મેળવ્યો — આ ટેસ્ટ એન્ડ-ટુ-એન્ડ ટાસ્ક પર વોઈસ એજન્ટની બુદ્ધિ માપે છે.

વધારે અવાજ, વધારે ભાષાઓ

આ રિલીઝ સાથે વોઈસ ઓપ્શન પણ વધ્યાં છે. અત્યાર સુધી રિયલ-ટાઈમ વોઈસનો નાનો જ સંગ્રહ હતો, હવે એક્સન્ટ, ડાયલેક્ટ અને ભાષા પ્રમાણે વ્યાપક પસંદગી મળશે. ઓપનએઆઈ એ કહ્યું છે કે આગામી મહિનામાં વોઈસ ઓપ્શન અને ભાષાઓની ઉપલબ્ધતા વધારવાનું ચાલુ રાખશે.

ભાવ અને ઉપલબ્ધતા

GPT-Live-1 એપીઆઈમાં આજથી ઉપલબ્ધ છે. આગળના વોઈસ લેયરનો ભાવ 0.05 ડોલર પ્રતિ મિનિટ છે. તેને પાછળના મોડેલ અને એજન્ટ હાર્નેસ સાથે જોડીને વર્કફ્લો બનાવી શકાય છે. કસ્ટમ વોઈસ માટે કંપનીઓ OpenAI ની સેલ્સ ટીમનો સંપર્ક કરી શકે છે.

તેની સાથે બીજો એક રસ્તો પણ છે — OpenAI Presence, જે GPT-Live-1 ને આધારે એન્ટરપ્રાઈઝ માટે રિયલ-ટાઈમ વોઈસ એજન્ટ ચલાવે છે. આ એજન્ટ પ્રશ્નોના જવાબ આપે, કંપનીની સિસ્ટમમાં કામ કરે, મંજૂર કરેલાં પગલાં લે અને જરૂર પડે તો માણસ પાસે કેસ મોકલી આપે.

ઓપનએઆઈની જાહેરાત અહીં વાંચો