ജിപിടി ലൈവ്: ചാറ്റ്ജിപിടി വോയ്‌സിൽ വലിയ മാറ്റങ്ങളുമായി ഓപ്പൺഎഐ

ഓപ്പൺഎഐ (OpenAI) തങ്ങളുടെ ചാറ്റ്ജിപിടി വോയ്‌സ് (ChatGPT Voice) സംവിധാനത്തെ 'ജിപിടി ലൈവ്' (GPT Live) എന്ന പുതിയൊരു സാങ്കേതികവിദ്യയിലേക്ക് നവീകരിച്ചിരിക്കുന്നു. കൂടുതൽ സ്വാഭാവികമായ സംഭാഷണങ്ങൾ, ഒരേസമയം സംസാരിക്കാനും കേൾക്കാനുമുള്ള കഴിവ്, അത്യാധുനിക എഐ മോഡലുകൾ ഉപയോഗിച്ചുള്ള മികച്ച പ്രതികരണങ്ങൾ എന്നിവയാണ് ഇതിന്റെ പ്രധാന പ്രത്യേകതകൾ.

വിവിധ സബ്‌സ്‌ക്രിപ്‌ഷൻ പ്ലാനുകളിലുള്ള ഉപയോക്താക്കൾക്കായി നിലവിലുണ്ടായിരുന്ന വോയ്‌സ് സംവിധാനത്തിന് പകരമായി 'ജിപിടി ലൈവ് 1' (GPT Live 1), 'ജിപിടി ലൈവ് 1 മിനി' (GPT Live 1 mini) എന്നീ പുതിയ പതിപ്പുകളാണ് ഇപ്പോൾ അവതരിപ്പിച്ചിരിക്കുന്നത്. ഐഒഎസ് (iOS), ആൻഡ്രോയിഡ് (Android), വെബ്, കാർപ്ലേ (CarPlay) എന്നീ പ്ലാറ്റ്‌ഫോമുകളിലെല്ലാം ഈ സൗകര്യം ലഭ്യമാണ്. കൂടുതൽ മികച്ച ഇടപെടലുകൾ, ദൃശ്യപരമായ പ്രതികരണങ്ങൾ (visual responses), നീളമേറിയ സംഭാഷണങ്ങൾ തടസ്സമില്ലാതെ കൈകാര്യം ചെയ്യാനുള്ള ശേഷി എന്നിവ ഈ പുതിയ വോയ്‌സ് മോഡ് ഉറപ്പുനൽകുന്നു.

ചാറ്റ്ജിപിടി വോയ്‌സിൽ ജിപിടി ലൈവ് ആഗോളതലത്തിൽ 

ഓപ്പൺഎഐയുടെ ഔദ്യോഗിക വാർത്താക്കുറിപ്പ് പ്രകാരം, ചാറ്റ്ജിപിടി വോയ്‌സിനെ കൂടുതൽ ശക്തിപ്പെടുത്തുന്ന പുതിയ വോയ്‌സ് മോഡലുകളാണ് ജിപിടി ലൈവ്. ഉപയോക്താവുമായുള്ള സംഭാഷണങ്ങൾ കൂടുതൽ സുഗമമാക്കുന്നതിലും, അതേസമയം പശ്ചാത്തലത്തിൽ സങ്കീർണ്ണമായ നിർദ്ദേശങ്ങൾ വേഗത്തിൽ കൈകാര്യം ചെയ്യുന്നതിലുമാണ് ഈ അപ്‌ഡേറ്റ് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്. ജിപിടി ലൈവ് 1, ജിപിടി ലൈവ് 1 മിനി എന്നിവ ആഗോളതലത്തിൽ എല്ലാ ചാറ്റ്ജിപിടി ഉപയോക്താക്കൾക്കും ഇപ്പോൾ ലഭ്യമാണ്. ഭാവിയിൽ ഇവ എപിഐ (API) വഴിയും ലഭ്യമാക്കുമെന്ന് കമ്പനി അറിയിച്ചിട്ടുണ്ട്.

പുതിയ വോയ്‌സ് സംവിധാനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്നത് 'ഫുൾ-ഡ്യൂപ്ലെക്സ്' (full-duplex) ആർക്കിടെക്ചറാണ്. ഇത് ഒരേസമയം സംസാരിക്കാനും കേൾക്കാനും സഹായിക്കുന്നു. ഉപയോക്താവ് സംസാരിച്ചു തീരുന്നതുവരെ കാത്തിരിക്കാതെ, എത്തുന്ന ശബ്ദരേഖകൾ തുടർച്ചയായി വിശകലനം ചെയ്യാനും, എപ്പോൾ മറുപടി നൽകണം, എപ്പോൾ നിശബ്ദമാകണം, സംഭാഷണം തുടരണോ, അല്ലെങ്കിൽ ഇടയ്ക്ക് സംസാരിക്കണോ (interrupt) എന്ന് തീരുമാനിക്കാനും ഈ മോഡലിന് സാധിക്കും. ഇത്തരം പ്രവർത്തനരീതികൾ സംഭാഷണങ്ങളുടെ വേഗത വർദ്ധിപ്പിക്കുകയും, തത്സമയ വിവർത്തനം (live translation) പോലുള്ള സവിശേഷതകൾ സാധ്യമാക്കുകയും ചെയ്യുന്നു.

ജിപിടി ലൈവ് (GPT Live), വോയ്‌സ് ഇടപെടലുകളെയും സങ്കീർണ്ണമായ പ്രോസസ്സിംഗ് ജോലികളെയും വേർതിരിക്കുന്നുവെന്ന് ഓപ്പൺഎഐ വ്യക്തമാക്കുന്നു. വെബ് സെർച്ച്, ആഴത്തിലുള്ള വിശകലനം (reasoning), അല്ലെങ്കിൽ ഏജന്റিক കഴിവുകൾ (agentic capabilities) ആവശ്യമുള്ള സന്ദർഭങ്ങളിൽ, സംഭാഷണം തുടരുമ്പോൾ തന്നെ വോയ്‌സ് മോഡൽ ആ ജോലികൾ മറ്റൊരു എഐ മോഡലിനെ ഏൽപ്പിക്കുന്നു. നിലവിൽ ഇതിന്റെ അടിസ്ഥാന റീസണിംഗ് മോഡലായി പ്രവർത്തിക്കുന്നത് GPT 5.5 ആണ്. എന്നാൽ ഭാവിയിൽ കൂടുതൽ അത്യാധുനിക മോഡലുകൾ ഇതിൽ ഉൾപ്പെടുത്തുമെന്ന് കമ്പനി അറിയിച്ചു.

സീക്വൻഷ്യൽ സ്പീച്ച്-ടു-ടെക്സ്റ്റ് (speech-to-text), ലാംഗ്വേജ്, ടെക്സ്റ്റ്-ടു-സ്പീച്ച് (text-to-speech) മോഡലുകളെ ആശ്രയിച്ചിരുന്ന പഴയ വോയ്‌സ് സാങ്കേതികവിദ്യകൾക്ക് പകരമായാണ് ജിപിടി ലൈവ് വരുന്നത്. കൂടാതെ, ഉപയോക്താവ് സംസാരിച്ചു നിർത്തിയാൽ മാത്രമേ മറുപടി ലഭിക്കൂ എന്ന നിബന്ധനയുണ്ടായിരുന്നതും, നിശബ്ദതയെയോ പശ്ചാത്തല ശബ്ദങ്ങളെയോ സംഭാഷണത്തിന്റെ അവസാനമായി തെറ്റായി വ്യാഖ്യാനിച്ചിരുന്നതുമായ 'അഡ്വാൻസ്ഡ് വോയ്‌സ് മോഡിന്' (Advanced Voice Mode) പകരമായാണ് ഇത് നിലവിൽ വരുന്നത്.

അഡ്വാൻസ്ഡ് വോയ്‌സ് മോഡിനേക്കാൾ മികച്ച സംഭാഷണ നിലവാരമാണ് ജിപിടി ലൈവ് 1, ജിപിടി ലൈവ് 1 മിനി എന്നിവ കാഴ്ചവെക്കുന്നതെന്ന് മനുഷ്യർ നടത്തിയ പരിശോധനകളിൽ തെളിഞ്ഞു. സംഭാഷണത്തിന്റെ ഒഴുക്ക്, തടസ്സപ്പെടുത്തലുകൾ, ഊഴം മാറി സംസാരിക്കാനുള്ള കഴിവ് (turn-taking), സ്വാഭാവികത, ഉപയോക്താക്കളുടെ താൽപ്പര്യം എന്നിവ അടിസ്ഥാനമാക്കിയാണ് ഈ വിലയിരുത്തലുകൾ നടത്തിയത്. ശാസ്ത്രീയ വിശകലനത്തിനായുള്ള GPQA, ഏജന്റിക വെബ് സെർച്ചിനായുള്ള BrowseComp, കമ്പനിയുടെ ആന്തരിക വോയ്‌സ് ടെലികോം ബെഞ്ച്മാർക്ക് എന്നിവയിലും ഈ പുതിയ സംവിധാനം വലിയ പുരോഗതി കൈവരിച്ചതായി കമ്പനി റിപ്പോർട്ട് ചെയ്തു.

പുതിയ അപ്‌ഡേറ്റിലൂടെ ചാറ്റ്ജിപിടി വോയ്‌സ് അനുഭവം കൂടുതൽ സ്വാഭാവികമായി മാറിയിരിക്കുന്നു. അനാവശ്യമായ തടസ്സപ്പെടുത്തലുകളില്ലാതെ സംസാരത്തിനിടയിലുള്ള ചെറിയ ഇടവേളകൾ തിരിച്ചറിയാൻ ഇതിന് സാധിക്കും. ഉപയോക്താക്കൾക്ക് ആവശ്യമുള്ളപ്പോൾ അസിസ്റ്റന്റിനെ തടയാനോ, സംസാരിക്കുന്ന വേഗത കുറയ്ക്കാൻ ആവശ്യപ്പെടാനോ, അല്ലെങ്കിൽ ആവശ്യമില്ലാത്തപ്പോൾ നിശബ്ദമായിരിക്കാൻ നിർദ്ദേശിക്കാനോ സാധിക്കും. താൻ ശ്രദ്ധിക്കുന്നുണ്ടെന്ന് വ്യക്തമാക്കുന്ന ചെറിയ പ്രതികരണങ്ങൾ നൽകാനും ഈ മോഡലിന് കഴിയും. കൂടാതെ, ജിപിടി ലൈവിനായി ഓപ്പൺഎഐ ഇതിലെ ഒൻപത് വോയ്‌സ് ഓപ്ഷനുകളും പരിഷ്കരിച്ചിട്ടുണ്ട്.

ഏറ്റവും പുതിയ ഫ്രോണ്ടിയർ മോഡലുകളിലേക്ക് ആക്‌സസ് ഉള്ളതിനാൽ കൂടുതൽ മികച്ച പ്രതികരണങ്ങൾ നൽകാൻ ഈ പുതിയ സംവിധാനത്തിന് സാധിക്കും. ഉപയോക്താക്കൾക്ക് തങ്ങളുടെ താൽപ്പര്യത്തിനനുസരിച്ച് 'ഇൻസ്റ്റന്റ്' (Instant), 'മീഡിയം' (Medium), 'ഹൈ' (High) എന്നിങ്ങനെ മൂന്ന് റീസണിംഗ് മോഡുകൾ തിരഞ്ഞെടുക്കാം; വേഗത്തിലുള്ള മറുപടികൾ വേണോ അതോ കൂടുതൽ ആഴത്തിലുള്ള വിശകലനം വേണോ എന്നതിനനുസരിച്ച് ഇത് മാറ്റാം. കൂടാതെ, കാലാവസ്ഥ, ഓഹരി വിവരങ്ങൾ, കായിക വാർത്തകൾ എന്നിവയ്ക്കായി വിഷ്വൽ കാർഡുകൾ കാണിക്കാനും, സെർച്ച്, മെമ്മറി, ഇമേജ് ഹാൻഡ്‌ലിംഗ്, ഫയൽ അപ്‌ലോഡ് തുടങ്ങിയ സൗകര്യങ്ങളെ പിന്തുണയ്ക്കാനും ഈ വോയ്‌സ് മോഡിന് സാധിക്കും.

ശബ്ദകോലാഹലമുള്ള സാഹചര്യങ്ങളിലും ഉപയോക്താവിന്റെ ശബ്ദത്തിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിച്ചുകൊണ്ട് മികച്ച പ്രകടനം കാഴ്ചവെക്കാൻ പുതിയ വോയ്‌സ് മോഡിന് കഴിയുമെന്ന് ഓപ്പൺഎഐ വ്യക്തമാക്കുന്നു. ഉടൻ പ്രതികരിക്കുന്നതിന് പകരം ദീർഘനേരം കാത്തിരിക്കാനും ഇതിന് സാധിക്കും, ഇത് സംഭാഷണങ്ങളെ കൂടുതൽ സ്വാഭാവികമാക്കുന്നു.

ജിപിടി ലൈവിൽ വോയ്‌സ് ഇടപെടലുകൾക്കായി പ്രത്യേകം സുരക്ഷാ സംവിധാനങ്ങളും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. സ്വയം ദ്രോഹിക്കൽ, മാനസിക സമ്മർദ്ദങ്ങൾ, അക്രമം, ലൈംഗിക ഉള്ളടക്കം, എഐയോടുള്ള അമിതമായ വൈകാരിക ആശ്രയത്വം എന്നിവയുമായി ബന്ധപ്പെട്ട വിവിധ കൃത്രിമ സാഹചര്യങ്ങൾ (synthetic scenarios) സൃഷ്ടിച്ച് ഓപ്പൺഎഐ ഇതിന്റെ സുരക്ഷാ പരിശോധനകൾ വിപുലീകരിച്ചിട്ടുണ്ട്. സംഭാഷണങ്ങളിൽ വരാനിടയുള്ള റിസ്കുകൾ കണ്ടെത്തുന്നതിനായി പ്രത്യേക 'റെഡ് ടീം' പരിശോധനകളും കമ്പനി നടത്തിയിട്ടുണ്ട്.

സംഭാഷണങ്ങൾക്കിടയിൽ സുരക്ഷിതമല്ലാത്ത മറുപടികൾ ഉണ്ടാകുന്നു എന്ന് തോന്നിയാൽ ഇടപെടാനും ജിപിടി ലൈവിന് കഴിയും. സാഹചര്യമനുസരിച്ച്, സംഭാഷണത്തെ കൂടുതൽ സുരക്ഷിതമായ വഴിയിലേക്ക് തിരിച്ചുവിടുകയോ, കൂടുതൽ സുരക്ഷാ വിവരങ്ങൾ നൽകുകയോ, ഉയർന്ന അപകടസാധ്യതയുള്ള കേസുകളിൽ സംഭാഷണം അവസാനിപ്പിക്കുകയോ ചെയ്യാം. സ്വയം ദ്രോഹിക്കൽ പോലുള്ള വിഷയങ്ങളിൽ വിദഗ്ധർ അംഗീകരിച്ച ക്രൈസിസ് ഹെൽപ്പ്‌ലൈൻ സഹായങ്ങൾ ലഭ്യമാക്കാനും സംവിധാനത്തിന് സാധിക്കും. കൗമാരക്കാർക്കായി പ്രായത്തിനനുസരിച്ചുള്ള പെരുമാറ്റരീതികൾ ഇതിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. കൂടാതെ, ഇത്തരം സന്ദർഭങ്ങളിൽ മാതാപിതാക്കൾക്ക് മേൽനോട്ടം വഹിക്കാനും അറിയിപ്പുകൾ ലഭിക്കാനും സഹായിക്കുന്ന പേരന്റൽ കൺട്രോൾ സംവിധാനവും ഇതിലുണ്ട്.

ജിപിടി ലൈവ് (GPT Live) അവതരിപ്പിച്ചതിന് ശേഷവും, ഉപയോക്താക്കൾക്ക് ഈ സാങ്കേതികവിദ്യയോട് അമിതമായ വൈകാരിക ആശ്രയത്വം (emotional reliance) ഉണ്ടാകുന്നുണ്ടോ എന്ന് കമ്പനി തുടർച്ചയായി നിരീക്ഷിക്കും. ഇതിലൂടെ സുരക്ഷാ സംവിധാനങ്ങൾ കൂടുതൽ മെച്ചപ്പെടുത്താനാണ് ലക്ഷ്യമിടുന്നത്. മുൻകൂട്ടി നിശ്ചയിച്ച ചാറ്റ്ജിപിടി വോയ്‌സ് മോഡലുകൾ മാത്രമേ ജിപിടി ലൈവ് ഉപയോഗിക്കൂ എന്നും, യഥാർത്ഥ വ്യക്തികളുടെ ശബ്ദം അനുകരിക്കുന്നതിൽ നിന്ന് ഇതിനെ തടയാനുള്ള സുരക്ഷാ ക്രമീകരണങ്ങൾ ഇതിലുണ്ടെന്നും കമ്പനി വ്യക്തമാക്കിയിട്ടുണ്ട്.

ആൻഡ്രോയിഡ് (Android), ഐഒഎസ് (iOS), വെബ് പ്ലാറ്റ്‌ഫോമുകളിലും, ആപ്പിളിന്റെ കാർപ്ലേ (CarPlay) ഇന്റർഫേസിലും ഈ സേവനം ലഭ്യമാണ്. ചാറ്റ്ജിപിടി ഗോ (Go), പ്ലസ് (Plus), പ്രോ (Pro) വരിക്കാർക്ക് 'ജിപിടി ലൈവ് 1' (GPT Live 1) ഡിഫോൾട്ട് മോഡലായി ലഭിക്കും. സൗജന്യ ഉപയോക്താക്കൾക്കായി 'ജിപിടി ലൈവ് 1 മിനി' (GPT Live 1 mini) ആണ് ഡിഫോൾട്ട് ആയി നൽകിയിരിക്കുന്നത്. വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്ന പല ഭാഷകൾക്കും അനുയോജ്യമായ രീതിയിൽ ഈ മോഡലുകളെ ഒപ്റ്റിമൈസ് ചെയ്തിട്ടുണ്ടെങ്കിലും, ചില ഭാഷകളിൽ സംസാരത്തിന്റെ ഒഴുക്കിലോ (fluency) ഉച്ചാരണത്തിലോ (accent) ചെറിയ പരിമിതികൾ ഉണ്ടായേക്കാം എന്ന് ഓപ്പൺഎഐ അറിയിച്ചു.

നിലവിലെ ഈ പ്രാരംഭ പതിപ്പിൽ വീഡിയോ കോളുകളോ സ്‌ക്രീൻ ഷെയറിംഗോ വോയ്‌സ് മോഡിൽ ഉൾപ്പെടുത്തിയിട്ടില്ല. എന്നാൽ, ഈ സൗകര്യങ്ങൾ വികസിപ്പിച്ചുകൊണ്ടിരിക്കുകയാണെന്ന് ഓപ്പൺഎഐ വ്യക്തമാക്കി.