OpenAI نے آج GPT-Live-1 اور GPT-Live-1 mini کے نام سے نئے مکالماتی ماڈلز جاری کیے، اور یہ دعویٰ کیا کہ وہ زیادہ قدرتی لگتے ہیں اور موڑ لینے کو بہتر طریقے سے سنبھال سکتے ہیں۔ یہ مکمل ڈوپلیکس ماڈل ہیں، یعنی یہ ایک ہی وقت میں بول اور سن سکتے ہیں، جو صارفین کو قدرتی طور پر مداخلت کرنے کی اجازت دیتے ہیں اور لائیو ترجمہ جیسی خصوصیات کو فعال کرتے ہیں۔
کمپنی چیٹ جی پی ٹی میں اپنے موجودہ ایڈوانسڈ وائس موڈ کو بطور ڈیفالٹ GPT-Live-1 mini سے بدل رہی ہے۔ ادا شدہ درجات کے صارفین بڑے GPT-Live-1 ماڈل تک رسائی حاصل کر سکیں گے۔ پچھلے ماڈل نے تقریر کو نقل کرنے کے لیے ایک اسپیچ ٹو ٹیکسٹ ماڈل، جوابات پیدا کرنے کے لیے ایک بڑی زبان کا ماڈل، اور حتمی جواب دینے کے لیے ایک ٹیکسٹ ٹو اسپیچ ماڈل کو ملایا۔
کمپنی نے ایک پریس بریفنگ میں کہا کہ نئے ماڈلز ایسے مسائل کو حل کرتے ہیں جیسے صارفین کو بات کرتے وقت مداخلت کرنا اور سوالات کا جواب دینے کے لیے اتنی ذہانت نہیں ہوتی۔ اوپن اے آئی کے نئے ماڈلز گفتگو کو جاری رکھتے ہوئے اس کے تازہ ترین ٹیکسٹ ماڈلز جیسے GPT-5.5 کو تلاش، استدلال، یا ایجنٹی صلاحیتوں کے لیے استفسار بھیجیں گے۔
اوپن اے آئی نے یہ بھی دکھایا کہ ماڈل طویل عرصے تک خاموش رہ سکتا ہے اور بات چیت کے سیاق و سباق کو اس وقت تک جذب کر سکتا ہے جب تک اسے طلب نہیں کیا جاتا۔ اس کے علاوہ، چونکہ نئے وائس موڈ کو نئے GPT ماڈلز تک رسائی حاصل ہے، یہ کچھ معلومات بصری شکل میں بھی پیش کر سکتا ہے۔ دیگر سٹارٹ اپس جیسے مونوگرام، جس نے DST اور Lux Capital سے $40 ملین سیڈ فنڈز اکٹھے کیے، وہ بھی معاونین کو مزید انٹرایکٹو بنانے کے لیے بصری ردعمل کی طرف جھک رہے ہیں۔
کمپنی نے کہا کہ چیٹ جی پی ٹی میں نیا وائس موڈ طویل بات چیت کے لیے ڈیزائن کیا گیا ہے۔ بریفنگ کے دوران، ChatGPT وائس کی پروڈکٹ لیڈ، Atty Eleti نے کہا کہ اس نے واک کے دوران صوتی خصوصیت کے ساتھ 30 سے 40 منٹ طویل بات چیت کی ہے۔
OpenAI کا خیال ہے کہ پیچیدہ کام کے لیے کمپیوٹنگ کا بنیادی انٹرفیس آواز ہو سکتا ہے۔ رپورٹس نے تجویز کیا ہے کہ یہ اس سال AI صلاحیتوں کے ساتھ ایئربڈز کا ایک جوڑا لانچ کر سکتا ہے۔ تاہم، اس نے ہارڈ ویئر کی مصنوعات کے بارے میں کوئی معلومات فراہم نہیں کیں۔
"وقت گزرنے کے ساتھ، ہم سوچتے ہیں کہ یہ کمپیوٹنگ کے لیے ایک قسم کے بنیادی انٹرفیس کے طور پر آواز کو استعمال کرنے کی صلاحیت کو بھی غیر مقفل کر دے گا، اور تیزی سے پیچیدہ طویل عرصے سے چلنے والے ایجنٹی کام کو منظم کرنے کے لیے۔ جس طرح کے حیرت انگیز استعمال کے معاملات ہم دیکھتے ہیں کہ لوگ Codex اور ChatGPT کو پورا کرنے کے لیے استعمال کرتے ہیں، ہمارے خیال میں آواز ہر قسم کے کام کے لیے مستقبل کا انٹرفیس ہو سکتی ہے،" الیٹی نے کہا۔
OpenAI نے ChatGPT کے صوتی موڈ کو مزید قدرتی بنانے کے لیے گزشتہ کچھ سالوں میں آواز پر مبنی خصوصیات کو تقویت دینے پر کام کیا ہے۔ کمپنی نے کہا کہ 150 ملین سے زیادہ لوگ وائس اور ڈکٹیشن جیسی خصوصیات کا استعمال کرتے ہوئے چیٹ جی پی ٹی سے بات کرتے ہیں۔
حریف بھی معاونین کو زیادہ اظہار خیال کرنے کی کوشش کر رہے ہیں۔
ایپل اور ایمیزون دونوں نے بہتر سیاق و سباق کو سنبھالنے کے ساتھ زیادہ بات چیت کرنے کے لیے اپنے معاونین کو اپ ڈیٹ کیا ہے۔ Oculus کے شریک بانی Brendan Iribe اور Ankit Kumar کے ذریعہ قائم کردہ Sesame جیسے اسٹارٹ اپس نے پس منظر میں کاموں کو مکمل کرتے ہوئے زیادہ قدرتی گفتگو کے ساتھ AI معاونین کو بھی لانچ کیا۔
OpenAI اسی سمت میں آگے بڑھ رہا ہے، جس کا مقصد صارفین کو اپنے اسسٹنٹ سے زیادہ دیر تک ہینڈز فری بات کرنے دینا ہے۔ اس دعوے کے باوجود کہ نیا وائس موڈ زیادہ قدرتی لگتا ہے، کمپنی نے اس بات پر زور دیا کہ اس کا مقصد اسے AI ساتھی بنانا نہیں ہے۔ اس نے نوٹ کیا کہ نئے ماڈلز میں نوعمروں کو عمر کے لحاظ سے مناسب جوابات دینے اور اگر گفتگو خود کو نقصان پہنچانے جیسے موضوعات کی طرف موڑتی ہے تو وسائل فراہم کرنے کے لیے حفاظتی اقدامات شامل ہیں۔
نئے وائس موڈ کو ابھی بھی کام کی ضرورت ہے۔ ڈیمو کے دوران، جب کمپنی نے ہندی میں اس کا لائیو ترجمہ فیچر دکھایا، اسسٹنٹ کا بھاری امریکی لہجہ تھا اور اس نے ہندی میں بات کی جو غیر فطری آواز تھی اور اس کا لہجہ قدرے کتابی تھا۔ کمپنی نے کہا کہ نیا موڈ "زیادہ بولی جانے والی زبانوں" کے لیے موزوں ہے لیکن اس نے یہ نہیں بتایا کہ کون سی زبانیں ہیں۔
