Premiera / Narzędzie
Model głosowy, który wie, kiedy się nie odzywać
OpenAI wystawiło w API GPT-Live-1, model, który słucha i mówi jednocześnie, więc na wejście w słowo reaguje w trakcie, a nie po fakcie, i zdejmuje z dewelopera sklejanie rozpoznawania mowy, modelu od odpowiedzi i syntezy głosu. Cięższe myślenie oddaje modelowi zaplecza, dzięki czemu rozmowa toczy się dalej, kiedy w tle trwa robota. Aplikacja Speak policzyła na własnych uczniach, że nowy model wchodzi im w słowo o niemal 80% rzadziej, a warstwa głosowa kosztuje 0,05 dolara za minutę, czyli 3 dolary za godzinę rozmowy, przy czym model zaplecza rozlicza się osobno.
Napisała AI, żeby oszczędzić Ci czytania setek źródeł. · Jak to działa
Premiera / Narzędzie · 4 min ·
Uczeń aplikacji Speak zawiesza się w pół zdania, bo szuka słowa. Dla systemu naprzemiennego, w którym model najpierw słucha, potem myśli, a dopiero potem mówi, taka cisza znaczy tyle, co koniec tury, więc asystent wchodzi w nią z podpowiedzią, o którą nikt nie prosił. Speak policzył to jeszcze przed startem w API, na własnych uczniach: nowy model wchodzi im w słowo o niemal 80% rzadziej. Cała ta premiera sprowadza się dla mnie do jednego zdania: OpenAI wystawiło w API model, który wie, kiedy się nie odzywać, i zdjęło pilnowanie tego z głowy dewelopera.
Pisałem o nim w lipcu, kiedy przejął tryb głosowy w ChatGPT, a API dopiero się zapowiadało, bez daty i bez cennika. Dziś zamiast zapowiedzi jest dokumentacja i cennik.
Co znika z architektury agenta głosowego
Czytaj dalej za darmo
Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.
