اوپنایآی روز پنجشنبه اعلام کرد که API این شرکت اکنون شامل تعدادی قابلیت جدید هوش صوتی است که برای کمک به توسعهدهندگان در ایجاد برنامههایی طراحی شدهاند که میتوانند مکالمات با کاربران را صحبت کنند، رونویسی و ترجمه نمایند.
مدل جدید GPT‑Realtime‑۲ این شرکت، یک مدل صوتی دیگر است که برای ایجاد شبیهسازی صوتی واقعگرایانه که قادر به گفتگو با کاربران باشد، ساخته شده است. با این حال، برخلاف نسل قبلی خود (GPT-Realtime-1.5)، این مدل با قابلیت استدلال در کلاس GPT‑۵ ساخته شده است که اوپنایآی ادعا میکند برای رسیدگی به درخواستهای پیچیدهتر کاربران ایجاد شده است.
این شرکت همچنین GPT‑Realtime‑Translate را راهاندازی کرده است که همانطور که از نامش پیداست، برای ارائه خدمات ترجمه بیدرنگ طراحی شده است که «همگام» با کاربر و مکالمه عمل میکند. این ویژگی شامل بیش از ۷۰ زبان ورودی (زبانهایی که قادر به درک آنهاست) و ۱۳ زبان خروجی (زبانهایی که به سخنگو منتقل میکند) میشود.
در نهایت، این شرکت قابلیت رونویسی جدیدی به نام GPT-Realtime-Whisper را نیز راهاندازی کرده است که قابلیتهای گفتار به متن زنده را در اختیار کاربران قرار میدهد و تعاملات را در لحظه ثبت میکند.
این شرکت اظهار داشت: «در مجموع، مدلهایی که ما راهاندازی میکنیم، صدای بیدرنگ را از یک مکالمه ساده رفت و برگشتی به رابطهای صوتی منتقل میکنند که میتوانند واقعاً کار کنند: گوش دهند، استدلال کنند، ترجمه کنند، رونویسی کنند و در حین پیشرفت مکالمه اقدام کنند.»
این بهروزرسانیها برای چه کسانی مفید خواهد بود؟ شرکتهایی که میخواهند قابلیتهای خدمات مشتری خود را گسترش دهند، یک هدف واضح هستند. با این حال، اوپنایآی همچنین اشاره میکند که ویژگیهای جدید آن به طیف گستردهای از حوزهها از جمله آموزش، رسانه، رویدادها و پلتفرمهای تولیدکنندگان کمک خواهد کرد.
هرچند این ابزارها از دیدگاه سازمانی بسیار مفید به نظر میرسند، اما این احتمال نیز وجود دارد که مورد سوء استفاده قرار گیرند. این شرکت اعلام کرده است که حفاظهایی را برای جلوگیری از سوء استفاده از ویژگیهای جدید آن برای ایجاد هرزنامه، کلاهبرداری یا سایر اشکال سوء استفاده آنلاین ساخته است. اوپنایآی گفت: «تریگرهای خاصی در سیستم تعبیه شده است تا در صورت شناسایی نقض دستورالعملهای محتوای مضر ما، مکالمات متوقف شوند.»
تمام مدلهای صوتی جدید در API Realtime اوپنایآی گنجانده شدهاند. Translate و Whisper به ازای هر دقیقه صورتحساب دریافت میکنند، در حالی که GPT-Realtime-2 بر اساس مصرف توکن صورتحساب دریافت میکند.
کد خبر ۲۱۲۰۵۰۲۱۹.۰۲۶
منبع: تک کرانچ
