Το ChatGPT αποκτά φωνή που ακούει και απαντά ταυτόχρονα

Σύνοψη

• Αρχιτεκτονική Full-Duplex: Το GPT-Live επιτρέπει στο ChatGPT να ακούει και να μιλά ταυτόχρονα, εξαλείφοντας τις καθυστερήσεις των προηγούμενων συστημάτων.
• Συνεργασία με το GPT-5.5: Αναθέτει τις σύνθετες εργασίες αναζήτησης και συλλογιστικής στο GPT-5.5 στο παρασκήνιο, διατηρώντας ενεργή τη συζήτηση με τον χρήστη.
• Νέο UI & Οπτικές Κάρτες: Εμφανίζει δυναμικές κάρτες πληροφοριών (καιρός, μετοχές, αθλητικά) στην οθόνη την ώρα που απαντά φωνητικά.
• Διαθεσιμότητα στην Ελλάδα: Ξεκινά άμεσα η διάθεση του GPT-Live-1 mini (δωρεάν χρήστες) και του GPT-Live-1 (συνδρομητές Plus/Pro), αντικαθιστώντας το Advanced Voice Mode.

Η OpenAI προχώρησε στη σημαντικότερη αναβάθμιση της φωνητικής εμπειρίας του ChatGPT, ανακοινώνοντας την παγκόσμια διάθεση του GPT-Live. Η νέα γενιά φωνητικών μοντέλων της εταιρείας εγκαταλείπει την παραδοσιακή λογική των διακριτών “γύρων” επικοινωνίας (turn-based) και εισάγει την πλήρως αμφίδρομη λειτουργία (full-duplex). Το αποτέλεσμα είναι μια αλληλεπίδραση που προσομοιάζει την ανθρώπινη συζήτηση, επιτρέποντας τις φυσικές παύσεις, τις διακοπές από τον χρήστη και την άμεση ανταπόκριση.

Το GPT-Live μπορεί να ακούει, να μιλάει και να διακόπτει ταυτόχρονα, ενώ διαθέτει την ικανότητα να αναθέτει σύνθετα ερωτήματα στο νεότερο μοντέλο GPT-5.5 στο παρασκήνιο, προβάλλοντας παράλληλα οπτικές κάρτες με δεδομένα στην οθόνη του χρήστη.

Η εξέλιξη από τα Cascaded στα Full-Duplex συστήματα

Για να κατανοήσουμε το τεχνολογικό άλμα του GPT-Live, πρέπει να εξετάσουμε το πώς λειτουργούσε η φωνητική τεχνητή νοημοσύνη μέχρι χθες. Αρχικά, τα συστήματα ήταν Cascaded (κλιμακωτά): Ένα μοντέλο μετέτρεπε τη φωνή σε κείμενο (STT), έπειτα το LLM παρήγαγε το κείμενο της απάντησης και ένα τρίτο μοντέλο το μετέτρεπε ξανά σε φωνή (TTS). Αυτή η διαδικασία προκαλούσε απώλεια του τόνου της φωνής και τεράστιο latency.

Στη συνέχεια, η OpenAI παρουσίασε το Advanced Voice Mode (AVM), το οποίο λειτουργούσε με βάση τους “γύρους” (turn-based). Αν και ταχύτερο, το AVM βασιζόταν στην ανίχνευση σιωπής. Αν ο χρήστης έκανε μια παύση για να σκεφτεί, ή αν υπήρχε θόρυβος στο παρασκήνιο, το σύστημα διέκοπτε απότομα.

Το GPT-Live επιλύει αυτά τα προβλήματα με τη Full-Duplex αρχιτεκτονική. Επεξεργάζεται συνεχόμενα τα δεδομένα εισόδου ενώ ταυτόχρονα παράγει ήχο. Όταν ο χρήστης μιλάει, το GPT-Live δείχνει ότι παρακολουθεί με μικρές επιφωνήσεις επιβεβαίωσης (“mhmm”, “yeah”, “got it”). Εάν ο χρήστης το διακόψει για να αλλάξει θέμα, η AI προσαρμόζεται ακαριαία, ακριβώς όπως ένας άνθρωπος.

Ανάθεση εργασιών στο GPT-5.5

Η πιο έξυπνη τεχνική υλοποίηση της OpenAI είναι ο διαχωρισμός της διασύνδεσης από την επεξεργασία. Το GPT-Live αναλαμβάνει τη διαχείριση της φωνητικής ροής. Όταν ο χρήστης ζητήσει κάτι που απαιτεί σύνθετη συλλογιστική (π.χ. έναν μαθηματικό υπολογισμό ή μια αναζήτηση στο διαδίκτυο), το GPT-Live αναθέτει την εργασία στο GPT-5.5.

Όσο το GPT-5.5 υπολογίζει ή ψάχνει στον ιστό, το GPT-Live μπορεί να συνεχίσει να μιλάει με τον χρήστη, διατηρώντας τη ροή, μέχρι να λάβει το αποτέλεσμα και να το ενσωματώσει στη συζήτηση. Οι χρήστες μπορούν πλέον να επιλέξουν το επίπεδο ανάλυσης της απάντησης: Instant (γρήγορες απαντήσεις) ή Medium/High (όταν απαιτείται ενδελεχής συλλογιστική, λειτουργία αντίστοιχη του GPT-5.5 Thinking). Τα benchmarks της OpenAI επιβεβαιώνουν την υπεροχή: στο BrowseComp (agentic web search), το GPT-Live-1 αγγίζει το 75.2% ακρίβεια, έναντι μόλις 0.7% του προκατόχου του.

Οπτικές κάρτες και UI

Αντιλαμβανόμενη ότι κάποιες πληροφορίες μεταδίδονται καλύτερα οπτικά, η OpenAI πρόσθεσε Visual Cards. Όταν ρωτάτε για τον καιρό, την πορεία μιας μετοχής στο χρηματιστήριο, ή τα αποτελέσματα αγώνων, το ChatGPT δεν σας διαβάζει απλώς τα νούμερα, αλλά προβάλλει ταυτόχρονα στην οθόνη του κινητού γραφικά και κάρτες με τα δεδομένα. Η υποστήριξη για screen sharing και μεταφορά βίντεο μέσω κάμερας σε πραγματικό χρόνο δεν είναι διαθέσιμη στο λανσάρισμα, αλλά αναμένεται σε μελλοντικό update.

Διαθεσιμότητα και χρήση στην Ελλάδα

Το GPT-Live ξεκινά άμεσα την παγκόσμια διάθεσή του στις πλατφόρμες iOS, Android και στο web. Για την ελληνική αγορά, η πρόσβαση διαμορφώνεται ως εξής:

• Οι δωρεάν χρήστες (Free tier): Αποκτούν πρόσβαση στο GPT-Live-1 mini, το οποίο γίνεται το προεπιλεγμένο μοντέλο φωνής.
• Οι συνδρομητές Plus, Pro και Go: Αποκτούν το πλήρες, βαρύτερο μοντέλο GPT-Live-1.

Αξίζει να σημειωθεί η παρατήρηση της OpenAI σχετικά με την υποστήριξη γλωσσών: Παρότι το σύστημα έχει βελτιστοποιηθεί για πολλές δημοφιλείς γλώσσες (στις οποίες συμπεριλαμβάνεται παραδοσιακά η χώρα μας στα μοντέλα της OpenAI), ενδέχεται αρχικά το μοντέλο να εμφανίζει μη-φυσική προφορά ή μικρά κενά στη ροή κατά την ομιλία στα Ελληνικά, κάτι που θα βελτιώνεται συνεχώς.

Ασφάλεια και γονικός έλεγχος

Η ενσωμάτωση πλήρως αυτόνομων agents φέρνει προκλήσεις ασφαλείας. Η OpenAI πραγματοποίησε εκτενείς ελέγχους για θέματα όπως η συναισθηματική εξάρτηση, η βία και η αυτοβλάβη. Το GPT-Live διαθέτει ενσωματωμένα φίλτρα που μπορούν να αποτρέψουν το μοντέλο από το να ολοκληρώσει μια δυνητικά επικίνδυνη πρόταση σε πραγματικό χρόνο, διακόπτοντας τη φωνή του και προσφέροντας τηλεφωνικές γραμμές υποστήριξης. Επιπλέον, προστέθηκαν γονικοί έλεγχοι (Parental Controls) για τη χρήση από εφήβους.