اگر امروز برای سیستمهای پاسخگویی صوتی هزینه میپردازید، باید بدانید که معیار سرعت در این صنعت تغییر کرد. در ۱۰ سپتامبر ۲۰۲۶، شرکت OpenAI رابط برنامهنویسی GPT-Live-1 را منتشر کرد تا قابلیت «دوطرفه» (Full-duplex) — یعنی توانایی مدل برای شنیدن و صحبت کردن همزمان، درست مثل یک مکالمه انسانی که در آن طرفین میتوانند حرف یکدیگر را قطع کنند — را در اختیار توسعهدهندگان قرار دهد.
این تحول در حالی رخ میدهد که کسبوکارها از چتباتهای ساده به سمت عاملهای (Agent) — شبیه به دستیاران هوشمندی که میتوانند بهجای شما کارهای واقعی انجام دهند — صوتیِ خودمختار حرکت میکنند. همانطور که در تحلیل قبلی ما دربارهی اتصال عاملهای دادهای OpenAI به Snowflake و BigQuery اشاره کردیم، این API جدید اجازه میدهد همان قابلیتهای تحلیل داده در پسزمینه، بهجای یک محیط متنی، از طریق یک گفتگوی روان و طبیعی ارائه شوند.
طبق گزارش وبسایت the-decoder.com، این مدل جهشهای فنی قابلتوجهی نسبت به GPT-Realtime-2.1 داشته است:
- تأخیر (Latency) — همان فاصله زمانی بین پایان حرف کاربر و شروع جواب مدل — از ۱.۴ ثانیه به ۰.۸ ثانیه کاهش یافت.
- صحت (Accuracy) در فراخوانی تابع (Function Calling) از ۶۰٪ به ۸۷٪ رسید.
- امتیاز تعامل دوطرفه از ۴۵.۴٪ به ۸۰.۱٪ افزایش یافت.
- ۱۲ صدای جدید با لهجهها و گویشهای متنوع به مدل اضافه شد.
به نقل از Yelp، این شرکت در حال حاضر از این مدل برای مدیریت رزروهای تلفنی است. الکس لِوی، مدیر ارشد فناوری Yelp، گزارش داده است که این سیستم تماسها را بسیار مؤثرتر از نسخههای قبلی مدیریت میکند. با این حال، هزینه ورود برای توسعهدهندگان بالا است و قیمت این API هر دقیقه ۰.۰۵ دلار تعیین شده است.
برای صاحبان کسبوکار، این یعنی «دره وهمی» (Uncanny Valley) در هوش مصنوعی صوتی در حال بسته شدن است. ترکیب GPT-Live-1 با مدلهای مختلف در پسزمینه به شرکتها اجازه میدهد بین عمق استدلال و هزینه تعادل ایجاد کنند. این موضوع پشتیبانی صوتی پیشرفته را در صنایع پیچیدهای مثل بانکداری، جایی که مدل در بنچمارکهای اخیر به نرخ پذیرش ۳۲٪ رسید، توجیهپذیر میکند.
گام بعدی شما
- توسعهدهندگان باید مستندات رسمی API را برای ادغام متنهای بازشناسی گفتار (ASR) در زیرساختهای خود بررسی کنند.
- تحلیل هزینه-فایده برای جایگزینی سیستمهای IVR قدیمی با مدلهای دوطرفه را آغاز کنید.
- تست مدل را روی سناریوهای «قطع کردن صحبت» (Interruption) برای بهبود تجربه کاربری متمرکز کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو