Η OpenAI φέρνει το Advanced Voice Mode σε Windows και macOS

Σύνοψη

• Το προηγμένο ChatGPT Voice, βασισμένο στο νέο μοντέλο GPT-Live, είναι πλέον διαθέσιμο στις επίσημες desktop εφαρμογές της OpenAI για macOS και Windows.
• Οι χρήστες αποκτούν τη δυνατότητα να κατευθύνουν πολλαπλά αυτόνομα agents αποκλειστικά μέσω φωνής στα περιβάλλοντα Chat, Work και Codex της εφαρμογής.
• Υποστηρίζεται full-duplex επικοινωνία (ταυτόχρονη ομιλία και ακρόαση), επιτρέποντας τη φυσική διακοπή του AI και την αλλαγή πορείας των εργασιών σε πραγματικό χρόνο.
• Το εργαλείο ενσωματώνει τη λειτουργία Screen context στο macOS, η οποία καταγράφει το ενεργό παράθυρο για άμεση παροχή οπτικού πλαισίου στο μοντέλο.
• Η λειτουργία προσφέρει δυνατότητα απομακρυσμένου ελέγχου μέσω iOS, για παρακολούθηση εργασιών που εκτελούνται στο desktop.
• Η διάθεση έχει ξεκινήσει σταδιακά για τους συνδρομητές των πακέτων Plus, Pro, Business, Edu και Enterprise.

Η OpenAI προχώρησε στην πλήρη ενσωμάτωση των προηγμένων φωνητικών δυνατοτήτων της στις desktop εφαρμογές του ChatGPT για λειτουργικά συστήματα Windows και macOS. Η ενημέρωση δεν περιορίζεται απλώς σε μια απλή μεταφορά του Advanced Voice Mode από τα smartphones στους υπολογιστές, αλλά επαναπροσδιορίζει ριζικά τον τρόπο με τον οποίο οι επαγγελματίες και οι προγραμματιστές αλληλεπιδρούν με το σύστημα, μετατρέποντας τη φωνή στο κεντρικό επίπεδο ελέγχου για πολλαπλά αυτόνομα AI agents.

Τι ακριβώς είναι το νέο ChatGPT Voice για το Desktop;

Το νέο ChatGPT Voice για υπολογιστές Windows και macOS είναι μια λειτουργία βασισμένη στο μοντέλο GPT-Live που επιτρέπει τον φωνητικό έλεγχο πολλαπλών αυτόνομων πρακτόρων (agents) σε πραγματικό χρόνο. Υποστηρίζει την εκτέλεση εντολών στα περιβάλλοντα Chat, Work και Codex, επιτρέποντας την ταυτόχρονη διαχείριση αρχείων, τη συγγραφή κώδικα και τη λήψη αποφάσεων με μηδενική καθυστέρηση.

Βασικά χαρακτηριστικά

• Αρχιτεκτονική μοντέλου: Βασίζεται στα GPT-Live-1 και GPT-Live-1 mini, σχεδιασμένα για full-duplex λειτουργία (ταυτόχρονη λήψη και εκπομπή ήχου).
• Περιβάλλοντα εργασίας: Υποστηρίζει άμεση εκκίνηση, έλεγχο και ανακατεύθυνση εργασιών στα modes Chat, Work και Codex.
• Οπτική κατανόηση: Στο macOS ενεργοποιείται το Screen context, το οποίο δημιουργεί ένα appshot του πιο πρόσφατου παραθύρου για να «βλέπει» η AI αυτό που βλέπει ο χρήστης.
• Διαχείριση projects: Δυνατότητα διαχείρισης multi-folder δομών με αυτόματη αναγνώριση αρχείων όπως τα AGENTS.md και config.toml.

Η φωνή ως το νέο Command Layer

Μέχρι πρότινος, η χρήση φωνητικών εντολών σε περιβάλλον υπολογιστή λειτουργούσε γραμμικά: ο χρήστης υπαγόρευε κείμενο ή έκανε μια ερώτηση και περίμενε την απάντηση. Η αρχιτεκτονική του GPT-Live ανατρέπει αυτή τη ροή, καθώς επιτρέπει πλέον σε μία ενιαία φωνητική συνομιλία να συντονίζει και να επιβλέπει agents που εκτελούν πολύπλοκες, ξεχωριστές εργασίες στο παρασκήνιο.

Μέσα από το περιβάλλον Work, το οποίο προορίζεται για έρευνα και δημιουργία παραδοτέων, ο χρήστης μπορεί να ζητήσει την ανάγνωση τοπικών αρχείων ή την πλοήγηση στον ιστό μέσω του ενσωματωμένου browser, καθοδηγώντας την AI φωνητικά χωρίς να διακόπτει την κανονική ροή εργασίας της.

Η μεγαλύτερη καινοτομία, ωστόσο, εντοπίζεται στο περιβάλλον Codex, το οποίο απευθύνεται σε προγραμματιστές. Οι χρήστες μπορούν να ξεκινήσουν μια φωνητική κλήση με το σύστημα, να ζητήσουν την ανάλυση ενός κώδικα από πολλαπλούς τοπικούς φακέλους, την εκτέλεση Git λειτουργιών ή την επεξεργασία γραμμών. Όσο το Codex «γράφει» ή εκτελεί εντολές τερματικού (CLI), ο χρήστης μπορεί να διακόψει φυσικά την AI λόγω της full-duplex φύσης του μοντέλου, διορθώνοντας την πορεία της εργασίας του χωρίς να χρειαστεί να περιμένει την ολοκλήρωση του τρέχοντος κύκλου λειτουργίας.

Screen context, απομακρυσμένη πρόσβαση και οικοσύστημα

Ένα από τα πιο εντυπωσιακά χαρακτηριστικά του νέου update είναι το Screen context, διαθέσιμο αποκλειστικά (προς το παρόν) στους χρήστες macOS. Η δυνατότητα αυτή διαμοιράζει ένα “appshot” του ενεργού παραθύρου, καταργώντας την ανάγκη συνεχούς αντιγραφής και επικόλλησης κειμένου ή κώδικα στο chat. Ο επαγγελματίας απλά κοιτάζει την οθόνη του και ρωτά την AI «πώς μπορώ να βελτιώσω αυτήν τη συνάρτηση;» και το σύστημα κατανοεί άμεσα το περιεχόμενο.

Παράλληλα, το οικοσύστημα της OpenAI διευρύνεται με τη δυνατότητα Remote παρακολούθησης μέσω iOS. Ένας χρήστης μπορεί να δώσει μια πολύπλοκη εντολή στο desktop του (για παράδειγμα, την ανάλυση μιας τεράστιας βάσης δεδομένων ή την αυτοματοποιημένη ανανέωση ενός αποθετηρίου) και στη συνέχεια να απομακρυνθεί από το γραφείο του. Μέσω της iOS συσκευής του και της εφαρμογής ChatGPT, μπορεί να παρακολουθεί την εξέλιξη της εργασίας που εκτελείται τοπικά στο PC του, λειτουργώντας πρακτικά ως απομακρυσμένος διαχειριστής των αυτόνομων πρακτόρων.

Διαθεσιμότητα και περιορισμοί

Η διάθεση του ChatGPT Voice στο desktop είναι σταδιακή. Η OpenAI άνοιξε την πρόσβαση στους επί πληρωμή συνδρομητές (Plus, Pro, Business, Edu, και Enterprise). Τα πλάνα Enterprise και Edu περνούν από μια περίοδο πρώιμης πρόσβασης δύο εβδομάδων προτού η λειτουργία ενεργοποιηθεί από προεπιλογή για όλους τους χρήστες των συγκεκριμένων οργανισμών.

Αξίζει να σημειωθεί ότι η χρήση του GPT-Live δεν είναι απεριόριστη. Τα όρια υπολογίζονται κυλιόμενα ανά 24 ώρες και διαφέρουν ανάλογα με το πλάνο και τη διαθεσιμότητα των πόρων. Το σύστημα ενσωματώνει ρυθμίσεις Intelligence (Instant, Medium, High), οι οποίες ελέγχουν τους πόρους που καταναλώνει το μοντέλο για την επίλυση πολύπλοκων ερωτημάτων κατά τη διάρκεια μιας φωνητικής κλήσης.