Новое поколение голосовых моделей ChatGPT получило архитектуру полного дуплекса и способность делегировать сложные вычисления модели GPT-5.5 в фоновом режиме.
3 мин
Компания OpenAI анонсировала запуск GPT-Live — нового поколения голосовых моделей для ChatGPT. Главное нововведение заключается в переходе на полнодуплексную архитектуру (full-duplex), которая позволяет искусственному интеллекту одновременно слушать и говорить, делая взаимодействие максимально похожим на естественный человеческий диалог.
Долгое время голосовые интерфейсы страдали от технических ограничений. Первые версии голосового режима ChatGPT использовали каскадную систему: аудио переводилось в текст (STT), затем большая языковая модель (LLM) генерировала текстовый ответ, который снова переводился в аудио (TTS). Это приводило к задержкам и потере интонаций. Позже появился продвинутый голосовой режим (Advanced Voice Mode), который обрабатывал звук напрямую, но работал по принципу строгой очередности. Модель ждала тишины, чтобы начать говорить, и часто ошибочно прерывала пользователя из-за фонового шума или пауз на обдумывание.
GPT-Live решает эти проблемы с помощью двух ключевых архитектурных изменений.
ChatGPT Voice displaying a weather forecast for Denver, Colorado.
Во-первых, модель обрабатывает входящий поток непрерывно, генерируя ответ в реальном времени. GPT-Live принимает решения несколько раз в секунду: продолжать слушать, вставить поддерживающее междометие, остановиться, если пользователь перебил, или начать полноценный ответ. Это устраняет жесткую поочередность диалога. ИИ теперь умеет ждать, если собеседник делает паузу, чтобы собраться с мыслями, и лучше фильтрует фоновый шум.
Во-вторых, OpenAI разделила задачи взаимодействия и глубокого мышления. GPT-Live отвечает исключительно за поддержание непрерывного и естественного разговора. Если запрос пользователя требует поиска в интернете, сложных рассуждений или выполнения многошаговых действий, GPT-Live делегирует эту задачу более мощной модели — GPT-5.5. Пока GPT-5.5 ищет информацию или решает задачу в фоновом режиме, GPT-Live продолжает поддерживать диалог с пользователем, не обрывая контекст. Доступны различные уровни рассуждений: от мгновенного (Instant) до среднего и высокого (Medium и High), когда системе требуется больше времени на анализ.
Помимо улучшенного звука, новый голосовой интерфейс получил визуальные элементы. В процессе разговора ChatGPT может отображать информационные карточки с погодой, котировками акций или спортивными результатами, дополняя голосовой ответ наглядными данными.
ChatGPT Voice displaying upcoming international football matches.
Особое внимание разработчики уделили безопасности. Поскольку генерация ответов происходит в реальном времени, встроенные защитные механизмы могут корректировать модель прямо во время ее речи. Если система фиксирует потенциально опасный вывод, она способна направить диалог в безопасное русло, вывести дополнительные предупреждения или завершить разговор в случаях высокого риска. Также внедрены специальные настройки родительского контроля для подростков.
Переход к архитектуре делегирования — важный шаг для всей индустрии. Это означает, что голосовой ИИ перестает быть просто интерфейсом для текстовой модели и становится самостоятельным диспетчером. В будущем такой подход позволит использовать голос для управления сложными автономными агентами (agentic work), которые будут выполнять длительные задачи, пока пользователь просто обсуждает с системой промежуточные результаты.
Развертывание моделей GPT-Live-1 и GPT-Live-1 mini для пользователей ChatGPT по всему миру уже началось. В ближайшее время OpenAI планирует открыть доступ к новинкам через программный интерфейс (API) для разработчиков и корпоративных клиентов.
ChatGPT Voice displaying a map with nearby soccer pubs.
Art Card 1x1
Spend Controls_Artcard.png
OpenAI выпустила GPT-Live — голосовую модель, которая умеет одновременно слушать и говорить, а также делегировать сложные задачи GPT-5.5 без прерывания диалога.
Разделение голосового интерфейса и логического движка (делегирование) превращает ИИ не просто в собеседника, а во фронтенд-менеджера, который управляет фоновыми агентами, пока развлекает пользователя беседой.
