Open AI stellt GPT-Live vor

Open AI stellt eine neue Generation von Sprachmodellen vor, die Gespräche mit künstlicher Intelligenz noch natürlicher und menschlicher machen soll. Die Rede ist von GPT-Live.

„Eine neue Generation von Sprachmodellen für natürliche Mensch-KI-Interaktion, jetzt als Grundlage von ChatGPT Voice.“

Der Start von GPT-Live

Open AI führt mit GPT-Live eine neue Generation von Sprachmodellen ein, sein bislang intelligentestes Sprachmodell. Seine Stärke liegt jedoch darin, dass Gespräche echten Unterhaltungen ähnlicher werden als je zuvor.

Möglich macht dies eine Vollduplex-Architektur, die gleichzeitig zuhören und sprechen kann. Dieser grundlegend andere Ansatz lässt die KI viel „menschlicher“ wirken. Während wir sprechen, zeigt das Modell mit menschlichen Äußerungen wie „mhm“ oder „ja“ Aufmerksamkeit.

Das Ergebnis ist eine völlig andere Erfahrung. Gespräche werden flüssiger und die Unterhaltung mit Modellen deutlich einfacher.

Zum Start wird GPT-Live im Hintergrund GTP-5.5 nutzen. Beim weltweiten Start vor etwa zwei Wochen stellte Open AI zwei Versionen bereit: GPT-Live 1 und GPT-Live 1 Mini.

Frühere Ansätze

Wie erwähnt ist die wichtigste Neuerung der Gesprächsansatz, der möglichst natürlich und menschlich wird. Für Nutzer soll die Zusammenarbeit mit KI nahezu der Zusammenarbeit mit einem anderen Menschen entsprechen.

Um die Tragweite zu verstehen, müssen wir zunächst frühere Ansätze betrachten.

Viele Sprachmodelle verwenden kaskadierte Sprachsysteme. Dabei arbeiten Modelle nacheinander und verarbeiten jeden Gesprächsbeitrag einzeln. Solche Systeme erzeugten langsame, unnatürliche Antworten mit langen Pausen.

Danach kamen Systeme mit abwechselnden Gesprächsbeiträgen. Sie verringerten die Latenz, indem sie Audio innerhalb eines einzigen Modells erzeugten. Trotz schnellerer und flüssigerer Antworten bleibt die Unterhaltung jedoch starr und unnatürlich.

Der neue Ansatz von GPT-Live

Für einen völlig neuen Ansatz untersuchte Open AI die Probleme früherer Verfahren und versuchte, sie zu lösen.

Um kontinuierliche Interaktion zu schaffen und Pausen durch abwechselndes Sprechen zu beseitigen, nutzt GPT-Live Vollduplex-Architektur. Das Modell kann Informationen verarbeiten und sogar sprechen, während es noch zuhört. Es verarbeitet Eingaben fortlaufend, selbst während es Ausgaben erzeugt.

Dadurch behält die Unterhaltung ein viel „menschlicheres“ Zeitgefühl und ermöglicht natürlichere Wechsel.

Eine weitere Neuerung hilft dabei: GPT-Live delegiert vertiefende Arbeiten. Während es die kontinuierliche Interaktion ohne Pausen übernimmt, werden komplexere Fragen, die Recherche, Schlussfolgerungen und größere Fähigkeiten verlangen, an ein anderes Modell übergeben, hier ChatGPT-5.5. Aufwendige Aufgaben laufen im Hintergrund, während GPT-Live das Gespräch aufrechterhält.

ChatGPT Voice

Zum Schluss sprechen wir über ChatGPT Voice. Rund 150 Millionen Menschen nutzen jede Woche Funktionen wie Voice und Diktieren, um mit ChatGPT zu interagieren.

So erhalten sie Hilfe, ohne die Hände zum Tippen zu benötigen. Außerdem dient das Modell zum Sprachenüben, Geschichtenerzählen und für einfache Unterhaltungen bei Langeweile.

Seit der Einführung von GPT-Live werden Gespräche über die Voice-Schaltfläche deshalb natürlicher und das Zuhören deutlich besser.