هشتم جولای 2026 ممکن است روزی باشد که تاریخچهنویسان هوش مصنوعی به عنوان نقطه عطف واقعی در تعامل انسان و ماشین به یاد بیاورند. نه به خاطر پیشرفت الگوریتمی چشمگیر، نه به خاطر رکوردشکنی در بنچمارکها، بلکه به خاطر چیزی که به ظاهر ساده به نظر میرسد: یاد دادن به یک AI که چه موقع باید ساکت باشد. OpenAI در یک اعلامیه که بیشتر شبیه یک انقلاب آرام بود تا یک محصول جدید، GPT-Live-1 و GPT-Live-1 mini را معرفی کرد—نسل سوم از فناوری صدای ChatGPT که این بار واقعاً متفاوت است. Kundan Kumar، مدیر تحقیقات OpenAI، در یک بریفینگ خبری آن را «هوشمندترین مدل صدایی ما» نامید، اما چیزی که آن را متمایز میکند، هوشمندی نیست—بلکه انسانی بودن آن است.
هشتم جولای 2026 ممکن است روزی باشد که تاریخچهنویسان هوش مصنوعی به عنوان نقطه عطف واقعی در تعامل انسان و ماشین به یاد بیاورند. نه به خاطر پیشرفت الگوریتمی چشمگیر، نه به خاطر رکوردشکنی در بنچمارکها، بلکه
به خاطر چیزی که به ظاهر ساده به نظر میرسد: یاد دادن به یک AI که چه موقع باید ساکت باشد . [IMAGE_PLACEHOLDER_1] OpenAI در یک اعلامیه که بیشتر شبیه یک انقلاب آرام بود تا یک محصول جدید، GPT-Live-1 و GPT-Live-1
mini را معرفی کرد—نسل سوم از فناوری صدای ChatGPT که این بار واقعاً متفاوت است. Kundan Kumar، مدیر تحقیقات OpenAI، در یک بریفینگ خبری آن را «هوشمندترین مدل صدایی ما» نامید، اما چیزی که آن را متمایز میکند،
هوشمندی نیست—بلکه انسانی بودن آن است. سه نسل، سه فلسفه: تاریخچه صدای ChatGPT برای درک اینکه چرا GPT-Live یک انقلاب است، باید به عقب برگردیم و ببینیم چگونه به اینجا رسیدیم. تکامل صدای ChatGPT داستانی است
از سه نسل، هر کدام با معماری و محدودیتهای خاص خود. نسل اول: Pipeline Cascade (2023) در سال 2023، OpenAI اولین قابلیت صدایی ChatGPT را با معماری کلاسیک «pipeline cascade» عرضه کرد. این سیستم سه مدل جداگانه
داشت که پشت سر هم کار میکردند: مرحله 1: Whisper (speech-to-text) صدای شما را به متن تبدیل میکرد مرحله 2: GPT-4 متن را پردازش کرده و پاسخ مینوشت مرحله 3: Text-to-Speech پاسخ را به صدا تبدیل میکرد نتیجه:
تاخیر حدود 1,700 میلیثانیه—نزدیک به دو ثانیه سکوت قبل از اولین کلمه پاسخ "} --> این معماری مشکلات آشکاری داشت. طبق گفته OpenAI، «پیچیدگی این سیستم بهایی داشت: اطلاعات بین مدلها گم میشد و پاسخها کند
و مصنوعی بودند.» تجربه کاربری شبیه این بود که با کسی از طریق ماهواره با تاخیر چند ثانیهای صحبت کنید. علاوه بر تاخیر، مدیریت state بین سه API جداگانه کار مهندسی سنگینی بود. هر کدام ورودی و خروجی خاص خود
ادامه مطلب در سایت