OpenAI представила голосовую модель, которая передаёт эмоции и позволяет говорить на любых языках
OpenAI представила GPT‑Realtime — модель, которая умеет генерировать речь в режиме реального времени, передавая эмоции и интонацию, присущие человеческому голосу. Эта система строится на технологиях преобразования текста в речь, но отличается от предыдущих тем, что адаптирует голос под контекст и эмоции. По данным AIBase, GPT‑Realtime способна имитировать различные стили речи, изменяя тембр, скорость и тональность так, чтобы звучать более естественно. Кроме того, модель поддерживает мультимодальные взаимодействия: она может реагировать не только на текстовые, но и на визуальные и аудио сигналы.
Одной из важных особенностей GPT‑Realtime является быстрый отклик: задержка между получением запроса и воспроизведением голоса составляет всего несколько миллисекунд, что делает возможными естественные диалоги. Модель может использоваться в колл‑центрах, виртуальных помощниках, образовательных приложениях и играх. Благодаря эмоциональной модуляции GPT‑Realtime способна выражать эмпатию, подчеркивать важные моменты и создавать индивидуальные стили общения. Разработчики считают, что это приблизит взаимодействие человека с ИИ к уровню общения с настоящим человеком.
Компания также представила инструменты для регулирования и ограничения использования модели. Например, для создания голоса необходимы согласия пользователя, а модели запрещено воспроизводить голос известных людей без лицензии. Это связано с опасениями относительно злоупотреблений: фальшивые аудиозаписи могут использоваться для обмана и манипуляций. Регуляторные органы приветствовали меры OpenAI по защите прав и безопасности, но подчеркнули необходимость создания международных стандартов. GPT‑Realtime открывает новую главу в развитии голосовых интерфейсов, обещая сделать общение с машинами более человечным и доступным.