GPT-Live-1 řeší nejotravnější část hlasového AI: kdy mlčet

OpenAI přepracovává hlasový režim ChatGPT kolem modelu GPT-Live-1, který má podle The Verge působit víc jako rozhovor s člověkem. Model má méně přerušovat uživatele, čekat při pauze uprostřed věty a zvládat současné mluvení i poslouchání.

GPT-Live-1 míří na turn-taking, ne jen na lepší hlas

The Verge píše, že GPT-Live-1 je podle OpenAI její nejschopnější hlasový model. Během briefingu výzkumník Kundan Kumar popsal, že systém může předávat dotazy nejlepším textovým modelům, například GPT-5.5, když potřebuje reasoning nebo web search.

Vyhledatelné materiály OpenAI k GPT-Live zároveň popisují full-duplex architekturu, tedy schopnost poslouchat a mluvit současně. OpenAI uvádí, že v 5 až 10 minutových srovnávacích konverzacích lidé preferovali GPT-Live-1 a GPT-Live-1 mini před Advanced Voice Mode v kategoriích jako přerušování, plynulost a přirozenost.

Podle snippetů z OpenAI Help Center má být Live na placených plánech poháněný GPT-Live-1 a na Free plánu GPT-Live-1 mini. To je důležitý detail dostupnosti: nejde automaticky o stejnou zkušenost pro všechny uživatele.

U hlasových agentů se produkt láme na trpělivosti

Textový chatbot může počkat. Hlasový agent musí rozhodnout, jestli uživatel skončil, nebo jen přemýšlí. Právě tady dnešní hlasové AI často působí nepříjemně: reagují moc brzy, opravují rytmus rozhovoru a nutí člověka mluvit jako do formuláře.

Pokud GPT-Live-1 opravdu zlepší turn-taking, dopad bude praktický. Zákaznická podpora, učení jazyků, interní asistenti i accessibility scénáře nepotřebují jen hezčí syntézu řeči. Potřebují systém, který pozná, kdy má vstoupit, kdy má mlčet a kdy má předat složitější úlohu textovému modelu.

Přirozenější hlas zvyšuje riziko přílišné důvěry

Hlas je silný trik důvěry. Když model mluví plynuleji a méně přerušuje, uživatel může snáz zapomenout, že pořád jde o systém, který může halucinovat, špatně pochopit kontext nebo přehodit odpověď na jiný model bez viditelné hranice.

Technicky bude důležité sledovat latenci a chování v hlučném prostředí. Demo v kontrolovaném hovoru je jedna věc, domácnost, auto, call centrum nebo učebna s překrývajícími se hlasy jsou mnohem tvrdší test.

Rozhodne chování v dlouhém hovoru, ne první wow efekt

Nejlepší signál bude, zda lidé vydrží s Live mluvit desítky minut bez toho, aby začali systém obcházet krátkými povely. Hlasový agent uspěje, když se konverzace nebude muset přizpůsobit stroji.

Druhý signál bude transparentnost. Pokud ChatGPT během hovoru přepíná mezi hlasovým a textovým modelem kvůli reasoning nebo search, uživatel by měl rozumět tomu, kdy odpověď vzniká rychlou konverzací a kdy už systém sahá po těžší infrastruktuře.

Lilithin verdikt

GPT-Live-1 prodává ticho jako funkci. V hlasové AI je to skoro luxus: asistent, který umí zavřít dveře, než vejde do věty.