Végre nem szakítja félbe a saját mondatát: itt az OpenAI új hangmodellje
2026. 07. 09. 12:22:21
Aki próbált már beszélgetni egy hangalapú asszisztenssel, ismeri az érzést: megszólal az ember, mire a gép udvariasan végigmondja a magáét, aztán vár. Mint egy adóvevős rádiózás, ahol mindig meg kell várni a „vétel” szót. Az OpenAI szerdán bemutatott új modelljei épp ezen a merev váltakozáson lépnek túl. A GPT-Live-1 és kistestvére, a GPT-Live-1 mini úgynevezett full-duplex hangmodellek – vagyis képesek egyszerre hallgatni és beszélni.
A globális bevezetés már el is indult. Egy modell, amely tudja, mikor kell elhallgatni A dolog lényege nem a hangzás szépsége, hanem a beszélgetés ritmusa. Az emberi társalgás tele van átfedésekkel: bólogatunk, közbevágunk, hümmögünk, félbeszakítunk. A korábbi hangasszisztensek ezt egyszerűen nem tudták kezelni. A GPT-Live-1 viszont fel tudja dolgozni a megszakításokat, rövid visszajelzéseket adhat közben, és úgy folytatja a mondandóját, hogy közben nem veszíti el a fonalat. „A GPT-Live képes fenntartani a párbeszédet a felhasználóval” – mondta Kundan Kumar, a modell kutatási vezetője, aki a cég „eddigi legintelligensebb hangmodelljének” nevezte a rendszert. Kumar a Character.AI-tól érkezett az OpenAI-hoz, és 2026 eleje óta irányítja a hangmodellek fejlesztését. Ha nehéz a kérdés, hív egy erősítést Van egy ügyes trükk a motorháztető alatt. Ha a GPT-Live-1 olyan kérdést kap, amely mélyebb gondolkodást vagy friss információt igényel, automatikusan továbbpasszolja azt az OpenAI szöveges modelljeinek – akár webes kereséssel együtt. A beszélgetés eközben zavartalanul folyik tovább, a felhasználó észre sem veszi a váltást. Kicsit olyan ez, mint amikor egy tolmács fülhallgatón kap segítséget egy szakkifejezéshez, miközben zökkenőmentesen beszél tovább. Emellett bizonyos témáknál – időjárás, tőzsdei árfolyamok, sporteredmények – a modell mesterséges intelligenciával generált vizuális elemekkel is kiegészíti a válaszait, összekötve ezzel a pusztán hangalapú és a képekkel dolgozó élményt. Sűrű hét az MI-világban A GPT-Live épp az év egyik legzsúfoltabb MI-hetébe érkezik. Az OpenAI csütörtökre tervezi a GPT-5.6 Sol nyilvános kiadását – ez lenne eddigi legfejlettebb szöveges modellje –, miután feloldottak egy kormányzati kérésre elrendelt halasztást. Ugyanezen a héten mutatták be a Muse képgeneráló modellt, az xAI pedig a hírek szerint az Anysphere-rel, a Cursor kódolóeszköz mögött álló céggel közösen dolgozik valami újon. A hangmodellek egyébként nem előzmény nélküliek: az alapokat a fejlesztőknek szánt GPT-Realtime-2 fektette le májusban, amely API-n keresztül vitte be a GPT-5 szintű gondolkodást a hangalapú interakciókba. Most viszont a technológia a ChatGPT sok százmillió felhasználójához is eljut. Az üzenet ezzel elég egyértelmű. Az OpenAI arra fogad, hogy a hang nem afféle kényelmi extra lesz, hanem az MI elsődleges kezelőfelülete – ahogy annak idején az érintőképernyő vette át a billentyűzet szerepét.
(Nethuszár)
