სრულდუპლექსური ხმოვანი AI არის ხმოვანი ასისტენტი, რომელსაც შეუძლია ერთდროულად მოსმენა და ლაპარაკი — ისე, როგორც ორი ადამიანი ტელეფონით საუბრისას იქცევა, და არა მკაცრი რიგითობით. სწორედ ეს განსხვავება განაპირობებს, რომ ახალი თაობის ხმოვანი ასისტენტები საუბარს ჰგავს და არა რაციასავით რიგ-რიგობით გადაცემულ შეტყობინებებს: შეგიძლიათ შუა წინადადებაში შეაწყვეტინოთ, თავი გაისწოროთ ან სწრაფად ჩაერიოთ სიტყვით „მოიცადე, სინამდვილეში—“ და ასისტენტი მაშინვე რეაგირებს, მანამდე მომზადებული პასუხის დამთავრებას რომ არ დაელოდოს.
რას ნიშნავს „დუპლექსი“
ტერმინი ტელეკომუნიკაციებიდან მოდის. დუპლექსურ სისტემაში ორივე მხარეს შეუძლია ერთდროულად გაგზავნა და მიღება (სრული დუპლექსი, როგორც სატელეფონო საუბარია) ან მხოლოდ ერთი მიმართულებით მუშაობა ერთდროულად (ნახევარდუპლექსი, როგორც რაცია, სადაც სანამ მეორე მხარე არ იტყვის „მიღებულია“, თქვენ ვერ ილაპარაკებთ). ადრეული AI ხმოვანი ასისტენტები — მათ შორის, ChatGPT-ის ხმოვანი რეჟიმის პირველი ვერსიები — ფაქტობრივად ნახევარდუპლექსური იყო: ლაპარაკობდით, აპლიკაცია ელოდებოდა დამთავრებას, შემდეგ ფიქრობდა და პასუხობდა. სრულდუპლექსური ხმოვანი AI საბაზისო მოდელს სწორედ სატელეფონო საუბრის მოდელზე გადაჰყავს.
სამსაფეხურიანი პროცესიდან ერთ უწყვეტ ნაკადამდე
ადრეული ხმოვანი ასისტენტების უმეტესობა აგებული იყო სამი ცალკეული, ერთმანეთზე მიბმული საფეხურისგან: მეტყველების ამოცნობა ხმას ტექსტად აქცევს, ენობრივი მოდელი ამ ტექსტს კითხულობს და პასუხს წერს, ხოლო ტექსტიდან-ხმაზე გარდამქმნელი პასუხს ხმამაღლა კითხულობს. თითოეული საფეხური უნდა დასრულდეს, სანამ შემდეგი დაიწყება — ეს საგრძნობ პაუზას აჩენს, და არც ერთი საფეხური არ იცის, რა ხდება დანარჩენ ორში, ამიტომ სისტემას არ შეუძლია რეაგირება, სანამ თქვენ ჯერ კიდევ ლაპარაკობთ.
სრულდუპლექსური სისტემები ამ ეტაპობრივ ჯაჭვს ცვლიან ერთი მოდელით, რომელიც ხმას მუდმივად, ღია კავშირზე ამუშავებს — შემოსულსაც და გამოსულსაც — და არა ერთჯერადი გაცვლის სახით. რადგან მოდელი მუდმივად „უსმენს“, ის ამჩნევს, როცა მასზე ხმამაღლა ლაპარაკობთ (ეს ეწოდება „ჩარევას“ — barge-in) და მაშინვე წყვეტს ან არეგულირებს პასუხს, იმის მაგივრად, რომ უკვე შეწყვეტილი წინადადება მაინც დაასრულოს. OpenAI-ის GPT-Live ოჯახი, რომელიც ChatGPT-ის ხმოვან რეჟიმში დაინერგა, ზუსტად ასე მუშაობს და უფრო რთულ მსჯელობასა თუ ძიების ამოცანებს გადასცემს თავის მთავარ ენობრივ მოდელს, რათა თავად ხმოვანი ფენა სწრაფი და მყისიერი დარჩეს. OpenAI-ის დეველოპერული Realtime API, რომელიც ახლა gpt-realtime-2.1 მოდელზე მუშაობს, იმავე ტიპის უწყვეტ ხმის ნაკადს გარე აპლიკაციებსაც სთავაზობს, მუდმივი კავშირის საშუალებით. მსგავს სისტემებს სხვა კომპანიებიც ქმნიან — მაგალითად, NVIDIA-ის Nemotron VoiceChat სწორედ ასეთი, სრულდუპლექსური ხმა-ხმაზე მოდელია, რომელიც იმავე ტიპის რეალურ დროში საუბრისთვისაა განკუთვნილი.
რატომ აქვს მნიშვნელობა
პრაქტიკული შედეგი ისაა, რომ ხმოვანი ურთიერთობა წყვეტს ველების ერთმანეთის მიყოლებით შევსების შთაბეჭდილების დატოვებას და საუბარს უფრო ჰგავს. ეს მნიშვნელოვანია ყველგან, სადაც ბუნებრივი, ორმხრივი დიალოგია მთავარი: მომხმარებელთა მხარდაჭერის ზარები, ენის სწავლა, ხმამაღლა იდეების გენერირება ან ხელების გარეშე გამოყენება მანქანაში ან სამზარეულოში — სადაც გრძელი, შეუწყვეტელი პასუხის მოცდა ხშირად სწორედ ის მიზეზია, რის გამოც ადამიანები ხმოვან ასისტენტებზე ხელს იშლიან. მნიშვნელოვანია ეს ხელმისაწვდომობისთვისაც — მათთვის, ვისთვისაც წერა ნელი ან რთულია, ეს ბევრად უფრო რეალურ საუბარს უახლოვდება. საფასურიც არსებობს: სისტემა, რომელიც ბუნებრივი საუბრის რიტმის იმდენად კარგად მიბაძვას ახერხებს, ასევე ამაღლებს ზღვარს სატელეფონო თაღლითობისა და პიროვნების იმიტაციისთვის — ეს ერთ-ერთი მიზეზია, რის გამოც დიფეიქების ამოცნობა ცალკე მიმართულებად ჩამოყალიბდა.
როგორ ვცადოთ
ChatGPT-ის აპლიკაციაში ახალი „Live“ ხმოვანი რეჟიმი ნაგულისხმევად ერთდროულად უსმენს და ლაპარაკობს; ვისაც ძველი, რიგითობაზე დაფუძნებული სტილი ურჩევნია, შეუძლია ხმის პარამეტრებში „Separate mode“-ზე გადართვა (იხ. OpenAI-ის ChatGPT Voice გზამკვლევი). დეველოპერებს, რომლებიც საკუთარ ხმოვან აპლიკაციებს ქმნიან, შეუძლიათ პირდაპირ დაუკავშირდნენ OpenAI-ის Realtime API-ს, რომელიც ხმას WebSocket, WebRTC ან SIP კავშირზე გადასცემს; გადასახადი გამოთვლილია აუდიო-ტოკენების მიხედვით და არა ფიქსირებული ტარიფით — მიმდინარე ფასები მითითებულია OpenAI-ის API ფასების გვერდზე.
სიახლეებში
OpenAI-მ გამოუშვა GPT-Live — ChatGPT-ის ხმოვანი რეჟიმის სრულდუპლექსური განახლება — და მას მოჰყვა GPT-Realtime-2.1, დეველოპერული მოდელი, რომელიც იმავე რეალურ დროში, შესაწყვეტად ხმის ნაკადს დაბალი დაყოვნებით სთავაზობს.
ხშირად დასმული კითხვები
იგივეა, რაც Siri-ის ან Alexa-ის ხმოვანი რეჟიმი? ჩვეულებრივ, არა. ძველი ხმოვანი ასისტენტების უმეტესობა ჯერ ბრძანებას ამუშავებს, შემდეგ პასუხობს და შემდეგი ბრძანების ლოდინში რჩება — ეს უფრო ნახევარდუპლექსურ მოდელს ჰგავს. სრულდუპლექსური სისტემები ახალი თაობაა, რომელიც შესაწყვეტად და საუბრის დროს რეაგირებისთვისაა აგებული.
ესმის ხმის ტონი, თუ მხოლოდ სიტყვები? რადგან მოდელი ნედლ ხმას ამუშავებს და არა ტექსტურ ჩანაწერს, მას შეუძლია დაიჭიროს ისეთი ნიუანსები, რასაც ტექსტური ჩანაწერი დაკარგავდა — მაგალითად, ტემპი ან ინტონაცია. ეს ჯერ კიდევ არ ნიშნავს ემოციების სრულ გაგებას, მაგრამ ტექსტზე დაფუძნებულ სისტემას ბევრად უსწრებს.
საფასურის გადახდაა საჭირო? ChatGPT-ის ხმოვანი რეჟიმი, Live-ის ჩათვლით, ხელმისაწვდომია როგორც უფასო, ისე ფასიან გეგმებზე რეგისტრირებული მომხმარებლებისთვის, გამოყენების ლიმიტები კი გეგმის მიხედვით განსხვავდება. საკუთარი აპლიკაციის აშენება Realtime API-ზე ცალკე ბილინგდება, აუდიო-ტოკენების მიხედვით.
წყაროები: OpenAI-ის Realtime API დოკუმენტაცია და ChatGPT Voice დახმარების სტატია; ვიკიპედიის სტატიები დუპლექსური კავშირის და მეტყველების ამოცნობის შესახებ.