عرضه GPT-Live-1.1 در ChatGPT با ۱۳ صدای جدید و لهجه‌های طبیعی‌تر
اوپن‌ای‌آی از ۱۵ اکتبر ۲۰۲۶ عرضه تدریجی GPT-Live-1.1 را برای تمام کاربران ChatGPT Voice، Codex و dots آغاز کرده است. این نسخه که گاهی با نام GPT Live 1.1 نیز نوشته می‌شود، تازه‌ترین به‌روزرسانی مدل صوتی این شرکت است و ۱۳ صدای جدید به همراه دارد: دو صدا برای هر یک از زبان‌های فرانسوی، آلمانی، هندی، ژاپنی، کره‌ای و اسپانیایی مکزیکی و یک صدای انگلیسی به نام Bubbie. طبیعی‌تر شدن لهجه‌ها و کاهش تکرار عبارت «Checking...» هنگام جست‌وجوی صوتی در وب نیز از دیگر تغییرات این نسخه است. اوپن‌ای‌آی اعلام کرده دسترسی به مدل از طریق API نیز به‌زودی فراهم می‌شود، اما هنوز تاریخی برای آن مشخص نکرده است.
ویدئوی معرفی GPT-Live-1.1 با صداهای جدید و لهجه‌های طبیعی‌تر که اوپن‌ای‌آی در کانال رسمی یوتیوب خود منتشر کرده، ۴۱ ثانیه است.
قابلیت مکالمه صوتی ChatGPT پیوسته در حال تغییر است. از ۸ ژوئیه که اوپن‌ای‌آی GPT-Live را معرفی کرد، این مدل توانست هم‌زمان بشنود و صحبت کند. این قابلیت که «تمام‌دوطرفه» یا Full-Duplex نام دارد، مکالمه را شبیه یک تماس تلفنی واقعی می‌کند و دیگر نیازی نیست دو طرف برای تمام شدن نوبت صحبت یکدیگر منتظر بمانند. در ۱۰ سپتامبر نیز GPT-Live-1 با هزینه ۰٫۰۵ دلار به‌ازای هر دقیقه در API عرضه شد. اکنون، کمی بیش از یک هفته پس از معرفی GPT-6 با رابط کاربری هوشمند (Intelligent UI) در ChatGPT، این شرکت مستقر در سان‌فرانسیسکو نسخه ۱.۱ را با انتشار یک ویدئو و پستی در حساب خود در شبکه اجتماعی ایکس عرضه کرده است.
این به‌روزرسانی سه محصول را در بر می‌گیرد که هرکدام کاربرد متفاوتی دارند. ChatGPT Voice حالت مکالمه صوتی در اپلیکیشن و وب‌سایت ChatGPT است. Codex محیطی است که اوپن‌ای‌آی برای نوشتن و مدیریت کد با کمک عامل‌های هوش مصنوعی ارائه می‌کند. dots نیز عامل شخصی هوش مصنوعی همیشه‌فعالی است که در رویداد DevDay روز ۲۹ سپتامبر معرفی شد. این عامل روی رایانه‌ای در فضای ابری فعالیت می‌کند و کاربران می‌توانند از طریق ChatGPT، اسلک، پیام یا تماس تلفنی با آن ارتباط برقرار کنند.
GPT-Live-1.1 چه تفاوتی با GPT-Live-1 دارد؟
دقیق‌ترین فهرست تغییرات در یادداشت‌های انتشار ChatGPT آمده است. بر اساس این توضیحات، حالت Live در ChatGPT Voice اکنون از دو مدل GPT-Live-1.1 و GPT-Live-1.1 Quip، نسخه کوچک‌تر آن، استفاده می‌کند. اوپن‌ای‌آی از «لهجه‌های طبیعی‌تر در زبان‌های مختلف» خبر داده است. همچنین دستیار صوتی برای اعلام اینکه در حال جست‌وجو است، از مجموعه متنوع‌تری از عبارت‌های کوتاه استفاده می‌کند. بخش دیگر این به‌روزرسانی به صداهای جدید اختصاص دارد.
«صداهای جدید. لهجه‌های بهتر. و تکرار کمتر عبارت Checking...
GPT-Live-1.1 این بهبودها را همراه با صداهای جدید در زبان‌های فرانسوی، آلمانی، هندی، اسپانیایی مکزیکی، کره‌ای و ژاپنی به قابلیت صوتی ChatGPT، Codex و dots می‌آورد.
عرضه این به‌روزرسانی از امروز برای همه کاربران آغاز می‌شود. دسترسی از طریق API نیز به‌زودی فراهم خواهد شد.»
— اوپن‌ای‌آی (OpenAI@)، ۱۵ اکتبر ۲۰۲۶
پست معرفی این نسخه در انجمن توسعه‌دهندگان اوپن‌ای‌آی به دو تغییر دیگر اشاره می‌کند که در یادداشت‌های انتشار توضیح داده نشده‌اند. نخست، فرایند واگذاری وظیفه به مدل دیگری که توانایی بیشتری در استدلال یا انجام اقدامات دارد، اکنون «طبیعی‌تر» شده است. دوم، قابلیت هدایت‌پذیری مدل نیز بهبود یافته؛ یعنی کاربر می‌تواند لحن و شیوه صحبت کردن دستیار صوتی را بهتر تنظیم کند. اوپن‌ای‌آی همچنین اعلام کرده از این پس مدل‌های صوتی را به‌طور مستمر به‌روزرسانی خواهد کرد.
موضوع واگذاری وظایف پیش‌تر در ژوئیه مطرح شده بود؛ زمانی که GPT-Live-1 پردازش‌های سنگین را به GPT-5.5 می‌سپرد. در سپتامبر نیز امکان استفاده از این مدل در API در کنار GPT-6 Astra یا Codex فراهم شد. تغییر نسخه ۱.۱ به روان‌تر شدن همین فرایند انتقال وظیفه مربوط می‌شود.
بااین‌حال، هنوز داده‌های عددی برای ارزیابی این پیشرفت‌ها منتشر نشده است. نه پست اوپن‌ای‌آی در ایکس، نه یادداشت‌های انتشار و نه راهنمای ChatGPT Voice، هیچ نتیجه آزمون عملکرد، اطلاعاتی درباره تأخیر پاسخ‌گویی یا مقایسه مستقیمی با GPT-Live-1 ارائه نمی‌کنند. بنابراین، اطلاعیه فعلی بیشتر فهرستی از تغییرات محصول است و برای مشخص شدن میزان بهبود واقعی نسخه ۱.۱ باید منتظر آزمایش‌های مستقل ماند.
۱۳ صدای جدید ChatGPT Voice کدام‌اند؟
تعداد صداهای جدید ChatGPT Voice به ۱۳ مورد می‌رسد: دو صدا برای هر یک از شش زبان فرانسوی، آلمانی، هندی، ژاپنی، کره‌ای و اسپانیایی مکزیکی، به‌علاوه Bubbie که صدایی انگلیسی است. یادداشت‌های انتشار به این شش زبان و صدای Bubbie اشاره می‌کنند، اما نام کامل صداها در راهنمای ChatGPT Voice آمده است.
| زبان | صداهای حالت Live |
|---|---|
| فرانسوی | Aube و Rivage |
| آلمانی | Sonna و Miko |
| هندی | Leher و Neer |
| ژاپنی | Himari (ひまり) و Rindō (りんどう) |
| کره‌ای | Haetsal (햇살) و Hanul (한울) |
| اسپانیایی مکزیکی | Tinta و Arrullo |
| انگلیسی | Bubbie |
| پرتغالی برزیلی | Viola و Rio (در راهنما آمده‌اند، اما در یادداشت‌های انتشار به‌عنوان صدای جدید معرفی نشده‌اند) |
در کنار این صداها، ۹ صدای قدیمی Arbor، Breeze، Cove، Ember، Juniper، Maple، Sol، Spruce و Vale همچنان در دسترس هستند. اوپن‌ای‌آی برای هرکدام شخصیت مشخصی تعریف کرده است؛ برای مثال، Arbor شخصیتی «راحت و سازگار با موقعیت‌های مختلف» دارد و Sol با ویژگی‌های «آگاه و آرام» توصیف می‌شود. البته همان‌طور که در راهنمای رسمی نیز تأکید شده، فهرست صداهای قابل مشاهده برای کاربران به منطقه جغرافیایی و نوع حساب آن‌ها بستگی دارد. بنابراین، جدول بالا مجموعه صداهای موجود در فهرست رسمی را نشان می‌دهد و به این معنا نیست که همه کاربران از همان روز نخست به تمام آن‌ها دسترسی خواهند داشت.
کاهش تکرار عبارت «Checking» در عمل چه تغییری ایجاد می‌کند؟
دستیار صوتی هنگام مراجعه به وب یا استفاده از یک ابزار، عبارت «Checking...» را به کار می‌برد تا کاربر بداند در حال بررسی اطلاعات است و باید منتظر بماند. طبق یادداشت‌های انتشار، حالت Live در نسخه ۱.۱ برای اعلام جست‌وجو از عبارت‌های کوتاه و متنوع‌تری استفاده می‌کند. آنچه تغییر کرده، نحوه بیان این وضعیت است، نه لزوماً مدت انتظار؛ زیرا نه در اطلاعیه معرفی و نه در راهنمای رسمی ادعا نشده که جست‌وجوها سریع‌تر انجام می‌شوند.
برای افرادی که مدت زیادی با دستیار صوتی صحبت می‌کنند، چه هنگام رانندگی، چه در آشپزخانه و چه حین کار، تکرار مداوم یک عبارت از نخستین ایرادهایی است که به چشم می‌آید. برطرف کردن این مشکل بیش از آنکه قابلیت تازه‌ای به مدل اضافه کند، تجربه استفاده از آن را صیقلی‌تر می‌کند؛ اما همین تغییر نیز ارزشمند است.
چه کسانی می‌توانند از GPT-Live-1.1 استفاده کنند و محدودیت زمانی آن چقدر است؟
GPT-Live-1.1 برای همه کاربران ChatGPT در دسترس قرار می‌گیرد، اما مدت استفاده به نوع اشتراک بستگی دارد. در طرح رایگان، دسترسی محدود است و از طریق GPT-Live-1.1 Quip ارائه می‌شود. کاربران Go سه ساعت به Quip و مشترکان Plus سه ساعت به GPT-Live-1.1 دسترسی دارند. طبق راهنمای ChatGPT Voice، اشتراک Pro با هزینه ماهانه ۱۰۰ دلار تا ۱۵ ساعت استفاده را فراهم می‌کند و نسخه ۲۰۰ دلاری Pro محدودیت زمانی ندارد.
این سهمیه‌ها در حالت Chat و بر اساس یک بازه شناور ۲۴ ساعته محاسبه می‌شوند. برای مشتریان سازمانی، طرح Business Standard سه ساعت و Business Premium پانزده ساعت استفاده از GPT-Live-1.1 ارائه می‌کنند. پس از عبور از این سقف، هر دقیقه استفاده ۱٫۲۵ اعتبار مصرف می‌کند. مشتریان Enterprise که هزینه را به‌صورت پرداخت به‌میزان مصرف و برحسب دلار می‌پردازند، برای هر دقیقه ۰٫۰۵ دلار پرداخت خواهند کرد.
GPT-Live-1.1 در Codex و dots
اوپن‌ای‌آی در پست خود در ایکس اعلام کرده که بهبودهای جدید علاوه بر ChatGPT، قابلیت صوتی Codex و dots را نیز در بر می‌گیرند. بااین‌حال، این شرکت برای دو محصول اخیر یادداشت‌های انتشار جداگانه‌ای منتشر نکرده است. در عوض، راهنمای ChatGPT Voice به قابلیت صوتی اپلیکیشن دسکتاپ برای macOS و ویندوز می‌پردازد؛ قابلیتی که کاربران با آن می‌توانند وظایف جدیدی آغاز کنند، پیشرفت کارها را بررسی کنند و فعالیت چند عامل هوش مصنوعی را در یک مکالمه هماهنگ سازند. اوپن‌ای‌آی این امکان را در ژوئیه به نسخه دسکتاپ اضافه کرد؛ موضوعی که پیش‌تر در گزارش ChatGPT Voice در اپلیکیشن دسکتاپ بررسی شده بود.
در dots، قابلیت صوتی از طریق تماس تلفنی ارائه می‌شود؛ کانالی که در آن عامل هوش مصنوعی به‌جای پاسخ متنی در چت، با صدای بلند پاسخ می‌دهد.
GPT-Live-1.1 چه زمانی به API اضافه می‌شود؟
اوپن‌ای‌آی تنها اعلام کرده که این مدل «به‌زودی به API اضافه می‌شود» و تاریخ مشخصی ارائه نکرده است. شناسه مدل، قیمت و محدودیت‌های استفاده از آن نیز هنوز منتشر نشده‌اند. درباره GPT-Live-1، فاصله زمانی عرضه مشخص است: این مدل ابتدا در ۸ ژوئیه در ChatGPT معرفی شد و دو ماه بعد، در ۱۰ سپتامبر، به API رسید. بااین‌حال، هیچ نشانه‌ای وجود ندارد که این فاصله زمانی برای نسخه ۱.۱ نیز تکرار شود.
تا آن زمان، تنها قیمت مشخص برای توسعه‌دهندگان مربوط به GPT-Live-1 است: ۰٫۰۵ دلار به‌ازای هر دقیقه، آن هم صرفاً برای لایه صوتی. هزینه مدل پشتیبانی که وظیفه استدلال و پردازش را انجام می‌دهد، جداگانه به این مبلغ اضافه می‌شود. اوپن‌ای‌آی در اطلاعیه رسمی عرضه GPT-Live-1 در API نیز تصریح کرده که استفاده از صداهای سفارشی مستلزم تماس با تیم فروش این شرکت است.
ChatGPT Voice به زبان انگلیسی و حریم خصوصی داده‌های صوتی
برای کاربران انگلیسی‌زبان تنها یک صدای جدید به نام Bubbie اضافه شده و ۹ صدای قدیمی همچنان قابل استفاده‌اند. کاربران می‌توانند زبان دلخواه خود را از مسیر Settings → Voice → Language انتخاب کنند یا حتی در میانه مکالمه از ChatGPT بخواهند زبان صحبت کردن را تغییر دهد. نه پست اوپن‌ای‌آی در ایکس و نه یادداشت‌های انتشار، بهبود مشخصی را که صرفاً به زبان انگلیسی مربوط باشد توضیح نداده‌اند و تنها به «طبیعی‌تر شدن لهجه‌ها در زبان‌های مختلف» اشاره کرده‌اند.
موضوع دیگری که پیش از استفاده از حالت Live باید به آن توجه کرد، نحوه نگهداری داده‌های صوتی است. قطعه‌های صوتی مکالمات Live و Advanced همراه با متن پیاده‌سازی‌شده آن‌ها به مدت ۳۰ روز در تاریخچه نگهداری می‌شوند. اوپن‌ای‌آی اعلام کرده این داده‌ها را برای آموزش مدل‌ها استفاده نمی‌کند، مگر اینکه کاربر از بخش Settings → Data Controls با اشتراک‌گذاری آن‌ها موافقت کرده باشد. در صورت حذف یک گفت‌وگو، فایل‌های صوتی مرتبط نیز حداکثر ظرف ۳۰ روز حذف می‌شوند؛ مگر در مواردی که ملاحظات امنیتی یا تعهدات قانونی مانع این کار شوند.
رقابت شرکت‌های هوش مصنوعی در حوزه مکالمه صوتی به کجا رسیده است؟
قابلیت مکالمه صوتی اکنون به یکی از میدان‌های اصلی رقابت شرکت‌های بزرگ هوش مصنوعی تبدیل شده است. مدل Gemini 3.8 Live گوگل به‌ازای هر ساعت پردازش صوت ۱٫۳۸ دلار هزینه دارد و MAI Realtime مایکروسافت از مکالمه تمام‌دوطرفه در ۱۷ زبان پشتیبانی می‌کند. اوپن‌ای‌آی در مقابل، روی ارائه صداهای اختصاصی برای شش زبان غیرانگلیسی در محصولی تمرکز کرده که می‌تواند هم‌زمان بشنود و صحبت کند. البته ارقام مربوط به رقبا به هزینه استفاده از API اشاره دارند، درحالی‌که قیمت‌های اوپن‌ای‌آی در این مقایسه مربوط به اشتراک‌های ChatGPT هستند. بنابراین، تا زمانی که نسخه ۱.۱ در API عرضه نشود، مقایسه مستقیم قیمت‌ها معتبر نخواهد بود.
پرسش‌های متداول
۱. GPT-Live-1.1 Quip چیست؟
Quip نسخه کوچک‌تر GPT-Live-1.1 است. در ChatGPT، کاربران طرح Go و کاربران رایگان با دسترسی محدود از این نسخه استفاده می‌کنند. یادداشت‌های انتشار توضیحی درباره دلیل انتخاب نام Quip ارائه نکرده‌اند و تفاوت‌های آن با نسخه کامل از نظر کیفیت یا تأخیر پاسخ‌گویی نیز منتشر نشده است.
۲. چگونه می‌توانم صدای ChatGPT را تغییر دهم؟
ابتدا وارد Settings شوید، سپس Voice را انتخاب کنید و دوباره به بخش Voice بروید. در این قسمت فهرست صداهای در دسترس حساب شما، از جمله صداهای جدید GPT-Live-1.1، نمایش داده می‌شود. اگر هنگام مکالمه صدا را تغییر دهید، یک تماس صوتی جدید در همان گفت‌وگو آغاز خواهد شد.
۳. آیا حالت Live از ویدئو و اشتراک‌گذاری صفحه پشتیبانی می‌کند؟
خیر. حالت Live از ویدئو یا اشتراک‌گذاری صفحه پشتیبانی نمی‌کند. کاربرانی که به این امکانات نیاز دارند باید در اپلیکیشن‌های iOS یا اندروید به حالت Advanced، یعنی تجربه قبلی مکالمه صوتی بلادرنگ، بروند. این قابلیت برای مشترکان واجد شرایط در دسترس است.
۴. تفاوت حالت‌های Live، Advanced و Standard چیست؟
حالت Live می‌تواند هم‌زمان بشنود و صحبت کند. Advanced نسل قبلی تجربه مکالمه صوتی بلادرنگ است و امکان استفاده از ویدئو و اشتراک‌گذاری صفحه را فراهم می‌کند. Standard به‌صورت نوبتی کار می‌کند و پیش از تولید پاسخ، گفتار کاربر را به متن تبدیل می‌کند. اینکه کدام‌یک از این سه حالت برای کاربر نمایش داده شود، به نوع اشتراک، تنظیمات فضای کاری، منطقه جغرافیایی و نسخه اپلیکیشن بستگی دارد.
۵. آیا با باز کردن برنامه‌های دیگر، مکالمه صوتی ادامه پیدا می‌کند؟
بله، به شرط آنکه مکالمه در پس‌زمینه فعال باشد. این گزینه در بخش Settings → Voice قرار دارد. تماس زمانی پایان می‌یابد که کاربر آن را قطع کند، اپلیکیشن را به‌اجبار ببندد، به سقف مجاز استفاده برسد یا حداکثر مدت مجاز یک جلسه مکالمه تمام شود.
بهبودی برای تکمیل تجربه مکالمه صوتی
GPT-Live-1.1 بیش از آنکه توانایی‌های تازه‌ای به ChatGPT اضافه کند، کیفیت تجربه شنیداری و نحوه صحبت کردن آن را بهبود می‌دهد. سیزده صدای جدید، لهجه‌های طبیعی‌تر و تکرار کمتر عبارت‌ها هنگام جست‌وجو، مهم‌ترین دستاوردهای این نسخه هستند. این تغییرات به‌ویژه برای کسانی مفیدند که ساعت‌ها با دستیار صوتی صحبت می‌کنند یا از زبان‌هایی غیر از انگلیسی استفاده می‌کنند. بااین‌حال، ارزیابی اصلی پس از عرضه نسخه ۱.۱ در API امکان‌پذیر خواهد شد؛ زمانی که مشخص می‌شود آیا اوپن‌ای‌آی اطلاعات مربوط به تأخیر پاسخ‌گویی و قیمت این نسخه را منتشر خواهد کرد یا خیر.