OpenAI představilo Live – nový hlasový režim, který dokáže poslouchat a mluvit současně. Nejde o nový hlas, ale o nový způsob, jakým s námi stroj vede rozhovor. Přinášíme přehled toho, co Live umí, co zatím neumí a kde jsou jeho hranice.
Hlasové ovládání umělé inteligence provází od začátku jeden nepříjemný paradox. Technologie, která má napodobovat lidskou konverzaci, se chovala jako vysílačka. Řekli jste větu, chvíli bylo ticho, pak přišla odpověď. Kdo někdy zkusil s ChatGPT mluvit při vaření nebo za volantem, bude tento rytmus znát: nepřirozený, trhaný, s neustálou potřebou hlídat, kdy je řada na kom. Nový režim, který OpenAI pojmenovalo prostě Live, se právě tuhle zeď snaží zbořit.
Klíčová změna je technicky triviální, ale zážitkově zásadní. Live dokáže poslouchat a mluvit ve stejný okamžik. Nečeká, až domluvíte, aby teprve pak začal zpracovávat, co jste řekli. Průběžně vyhodnocuje, jestli má mlčet, promluvit, udělat pauzu, přerušit vlastní odpověď nebo sáhnout po nějakém nástroji. Prakticky to znamená, že mu můžete skočit do řeči – a on to nebere jako chybu, ale jako součást rozhovoru. Stejně tak vy můžete jeho odpověď zastavit v půlce, doplnit myšlenku, poprosit ho, ať zpomalí.
Za tímhle chováním stojí model, který OpenAI označuje jako GPT-Live. A tady je dobré rozumět jedné věci, kterou marketingová oznámení ráda zamlžují: Live není mozek, Live je dirigent. Neřídí uvažování, řídí interakci. Ve chvíli, kdy položíte složitější dotaz, si na pozadí volá silnější model – při spuštění má jít o GPT-5.5. Tuhle vrstvu chce OpenAI do budoucna nahrazovat podle toho, jak budou přicházet novější špičkové modely. Hlasové rozhraní se tak stává samostatnou vrstvou, nikoli vlastností konkrétního modelu.
Live přitom není jen mluvící hlava. Umí sáhnout na web, pracuje s pamětí, dokáže zobrazit vizuální výsledky přes podporované widgety a v jednom a témže chatu zvládne kombinovat hlas, text i obrázky. Nemusíte tedy zakládat druhou konverzaci jen proto, že chcete něco ukázat nebo dopsat. Pokud je pro váš účet k dispozici nastavení Inteligence, můžete si navíc zvolit mezi režimy Okamžitá, Střední a Vysoká podle toho, jestli chcete rychlou reakci, nebo raději promyšlenější odpověď. Vyšší úroveň logicky znamená delší čekání, zvlášť když si Live mezitím odskočí vyhledávat na internet.
Nabídka se rozděluje na dvě varianty. GPT-Live-1 je plná verze mířící především na placené tarify, tedy Go, Plus a Pro. GPT-Live-1 mini má být dostupná i uživatelům bezplatného tarifu. Zavádění bude postupné a dostupnost se bude lišit podle tarifu, regionu i verze aplikace. Pokud tedy Live v nastavení hlasu zatím nevidíte, nemusí jít o chybu, ale o frontu. Firemní prostředí zůstávají prozatím stranou úplně: v pracovních prostorech Business, Enterprise a Edu Live při startu není a jejich uživatelé zůstávají u dosavadních hlasových režimů.
Právě u seznamu toho, co Live neumí, se sluší zastavit déle než u tiskové zprávy. Při spuštění nepodporuje video ani sdílení obrazovky. Kdo si zvykl ukazovat ChatGPT skrz kameru rozbitou pračku nebo mu sdílet obrazovku s tabulkou, musí zůstat u staršího režimu, který tyhle funkce nadále nabízí na iOS a Androidu. Live také zatím chybí v dočasných chatech, v desktopové aplikaci, v režimu Práce, v Codexu i ve vlastních GPT modelech. A přednastavené osobnosti ChatGPT se na Live také nevztahují – tón a tempo si můžete vyžádat jedině přímo během hovoru.
Druhá skupina slabin není softwarová, ale fyzikální. Rozhovor, ve kterém stroj neustále poslouchá, je ze své podstaty citlivý na to, co k němu doléhá. Hluk v pozadí, dlouhá pauza, cizí hlas ve vedlejší místnosti – to všechno může Live vyhodnotit jako signál, že je řada na něm, a začne mluvit uprostřed vaší myšlenky. OpenAI radí sluchátka, tišší prostředí a na iPhonu zapnutí Izolace hlasu v Ovládacím centru. Konverzaci můžete hned na začátku požádat, ať počká, dokud si o odpověď neřeknete, ale ani to bohužel není spolehlivá pojistka.
Zajímavý a málo diskutovaný detail se týká přepisů. Text, který se po hovoru objeví v chatu, není doslovný záznam. Je to rekonstrukce, která se od skutečně vyřčeného slova může lišit, zejména když se řeč překrývá nebo mluvíte rychle. V režimu Live se sice odpovědi zobrazují v chatu průběžně, jak jsou vyslovovány, ale kdo by chtěl hlasový režim používat jako diktafon nebo jako podklad pro citování, sáhne po funkci Dictation, ne po Voice. Je to rozdíl, který stojí za zapamatování dřív, než se na přepis někdo spolehne v práci.
A do třetice data. Zvukové klipy z hlasových konverzací Live se ukládají spolu s přepisem a OpenAI je uchovává třicet dní. Když chat smažete, mizí do třiceti dnů i příslušné nahrávky – s výjimkou případů, kdy je firma musí držet z bezpečnostních nebo právních důvodů. Archivace přitom nic nemaže, jen uklidí konverzaci z postranního panelu. K trénování modelů se zvuk podle OpenAI nepoužívá, pokud sami nezapnete odpovídající volbu v Ovládacích prvcích dat. Sdílení klipů je tedy dobrovolné, ale je dobré vědět, kde ten přepínač najít.
Když se to všechno sečte, vychází z toho produkt, který je v jádru chytrý a působivý. Live řeší přesně ten problém, kvůli kterému většina lidí hlasové ovládání AI po dvou týdnech vzdala – tu podivnou, nelidskou prodlevu, po níž rozhovor nikdy nepřipomínal rozhovor. Za to platí dočasnou ztrátou funkcí, které si někteří uživatelé oblíbili, a nutností smířit se s tím, že stroj, který pořád poslouchá, bude občas slyšet něco jiného, než jste říkali.
Symbolicky je ale tato změna větší, než se zdá. Hlas přestává být doplňkem k psanému chatu a stává se samostatným rozhraním s vlastní logikou, vlastním modelem a vlastními limity. Až se tahle vrstva dostane i do desktopové aplikace, do vlastních GPT a k firemním uživatelům, bude psaní do textového okna možná to, co bude působit archaicky. Zatím jsme ale v mezičase. A jako většina mezičasů v téhle branži zřejmě nebude trvat dlouho.
Zdroje: OpenAI Help Center; oznámení OpenAI k GPT-Live Foto: YT OpenAI