GPT-Live: полнодуплексная революция ChatGPT — теперь он слышит и говорит одновременно
В среду OpenAI выкатила GPT-Live — пару голосовых моделей, которые переворачивают всё, что мы знали об общении с ChatGPT. Забудьте про Advanced Voice Mode: новая архитектура позволяет слушать и говорить одновременно, почти как в разговоре с живым человеком. Две модели — GPT-Live-1 и GPT-Live-1 mini — с сегодняшнего дня поехали на iOS, Android и ChatGPT.com по всему миру. GPT-Live-1 становится голосом по умолчанию для платных пользователей Go, Plus и Pro, а mini-версия достаётся бесплатникам. OpenAI также планирует запилить API для разработчиков — можно подписаться на уведомления.
Это уже третье поколение голосовых технологий ChatGPT примерно за два года. И самый чёткий сигнал от OpenAI, что их чатбот должен ощущаться не как поисковая строка, а как разговор с коллегой.
Почему полный дуплекс меняет всё в общении с ИИ
Главный технический прорыв GPT-Live — то, что OpenAI называет «архитектурой полного дуплекса». В телекоме это значит, что оба участника звонка могут говорить и слушать одновременно. В случае с ИИ — модель непрерывно обрабатывает твой входящий аудиопоток, даже пока сама генерирует ответ. Больше не нужно ждать гробовой тишины, чтобы понять, закончил ли ты мысль.
«Вместо обработки последовательности отдельных сообщений GPT-Live непрерывно обрабатывает ввод, генерируя вывод», — пишут исследователи OpenAI. «Модель может принимать решения о взаимодействии много раз в секунду: говорить, продолжать слушать, делать паузу, перебивать или вызывать инструмент».
На практике это означает голосового ассистента, который вставляет «мхм», «ага», «понял» прямо во время твоей речи, чувствует естественную паузу, не вклиниваясь раньше времени, и ловит перебивания, не руша весь разговор.
Предыдущий Advanced Voice Mode, запущенный для платных пользователей в сентябре 2024, тоже обрабатывал аудио в одной модели, но работал по жёсткой схеме «ход — ответ». Как признали в OpenAI, «детекция поворота основана на тишине, поэтому короткая пауза или фоновый шум могли быть восприняты как конец хода — модель перебивала в неестественный момент». На демо всё выглядело круто, но в реальной жизни начинало бесить: разговор в кофейне мог спровоцировать ответ, раздумья — оборваться. Ощущение — «рация», как написал один исследователь в X после анонса. GPT-Live призвана похоронить эту эпоху.
Как OpenAI разделила голос и интеллект на два отдельных слоя
GPT-Live вносит ещё одно структурное изменение, которое может оказаться не менее важным для корпоративных внедрений: голосовой слой отделён от слоя рассуждений. Когда пользователь задаёт простой вопрос, GPT-Live отвечает напрямую. Но если запрос требует поиска в интернете, глубоких размышлений или сложных агентских действий, GPT-Live делегирует задачу «фронтирной» модели, работающей в фоне — на старте это GPT-5.5, выпущенная OpenAI в апреле. И продолжает разговаривать с пользователем, пока вычисления идут асинхронно.
«Пока это работает, GPT-Live может продолжать болтать с тобой и поддерживать поток беседы», — объясняют в OpenAI. «По мере выхода новых моделей мы будем постоянно обновлять ту, что используется в GPT-Live».
Это архитектурная ставка: вместо монолитной голосовой модели, которая пытается быть и беглой в разговоре, и глубоко умной, OpenAI разбила задачу надвое — голосовая модель для реального времени и отдельный движок рассуждений, который можно апгрейдить по мере прогресса. По сути, модульная конструкция: интеллект голосового помощника улучшается без переобучения самой голосовой модели. Для разработчиков и бизнеса это значит, что голосовой агент может поддерживать естественную беседу с клиентом, одновременно запрашивая базы данных, гугля или выполняя многошаговые рассуждения — без мертвых пауз в несколько секунд, как было раньше.
Три поколения голоса ChatGPT: от корявого пайплайна к непрерывному потоку
Чтобы понять, как далеко ушла голосовая AI, стоит проследить три поколения, предшествовавшие GPT-Live.
Оригинальный ChatGPT Voice, запущенный в 2023, работал как каскад: модель распознавания речи (Whisper) записывала твои слова, большая языковая модель (GPT-4) генерировала текстовый ответ, а модель синтеза речи превращала ответ обратно в аудио. Каждая передача добавляла задержку и теряла информацию. Как отмечают в OpenAI, «сложность шла с ценой: информация могла теряться между моделями, ответы были медленными и неестественными». Этот каскад был индустриальным стандартом, и его ограничения хорошо задокументированы. По данным блога OpenHelm, старый пайплайн накапливал около 1700 миллисекунд задержки — почти две секунды мёртвой тишины до первого слова ответа. Управление состоянием между тремя отдельными API сжирало кучу инженерных усилий.
Advanced Voice Mode от OpenAI — ограниченный запуск для платных пользователей ChatGPT Plus в июле 2024, расширение в сентябре — сколлапсировал этот трёхмодельный пайплайн в одну модель, обрабатывающую аудио нативно. Как писал TechCrunch, релиз принёс пять новых голосов — Arbor, Maple, Sol, Spruce и Vale — вместе с улучшенной обработкой акцентов и более плавными разговорами. В ноябре 2024 функция появилась и на вебе, расширившись за пределы мобильных. Но Advanced Voice Mode всё равно работал дискретными чередующимися ходами — и вышел в тени PR-катастрофы, от которой OpenAI до сих пор отмывается.
Скандал со Скарлетт Йоханссон всё ещё тянется за голосовыми амбициями OpenAI
Advanced Voice Mode дебютировал после одного из самых самоубийственных кризисов OpenAI. Во время запуска GPT-4o в мае 2024 компания показала голос по имени «Скай», который многие слушатели мгновенно опознали как подозрительно похожий на Скарлетт Йоханссон — она как раз озвучивала AI-компаньона в фильме «Она» 2013 года.
Йоханссон заявила, что отклонила предложение генерального директора OpenAI Сэма Альтмана озвучить систему, а затем была «шокирована, разгневана и не верила своим глазам», когда продукт вышел с голосом, который её собственные друзья не могли отличить от её. Альтман твитнул просто слово «her» в день запуска.
OpenAI убрала голос и извинилась, но инцидент привлёк внимание профсоюза SAG-AFTRA и членов Конгресса, кристаллизовав более широкие опасения, что AI-компании слишком быстро двигаются с контентом, защищённым авторским правом. Голливудский профсоюз заявил, что эта ситуация подчёркивает, «почему мы активно продвигаем федеральное законодательство, которое защитит их голоса и образы от несанкционированного цифрового копирования». Журналист Forbes Пол Тасси написал, что Альтман, «держа „Ону“ на пьедестале как нечто, к чему стоит стремиться, упустил суть этого фильма», где отношения протагониста с AI-компаньоном в итоге приносят больше вреда, чем пользы.
GPT-Live, похоже, частично призвана уйти от этих скандалов. OpenAI заявляет, что «переработала девять различных голосов в ChatGPT для GPT-Live» и отмечает, что система «спроектирована для разговора, а не для имитации голоса», с «защитами, предотвращающими подражание голосу реального человека».
Что 150 миллионов еженедельных голосовых пользователей заметят уже сегодня
OpenAI раскрыла, что более 150 миллионов человек каждую неделю разговаривают с ChatGPT голосом и с помощью диктовки — заметный кусок от 900 миллионов еженедельных активных пользователей. Голосовой интерфейс превратился в самостоятельный продукт: его используют для практики языков, сказок на ночь, болтовни в дороге и повседневной помощи без рук.
Новые функции отражают это. GPT-Live представляет яркие визуальные карточки, которые появляются во время голосового разговора: прогноз погоды, котировки, спортивные результаты, карты — чтобы было на что взглянуть, не прерывая поток речи.
Теперь можно выбрать три уровня глубины ответа: Мгновенный — для быстрых ответов, Средний — для стандартного обдумывания, Высокий — для сложных задач. И если ты задумался, «ChatGPT Voice теперь ждёт, вместо того чтобы вклиниваться и перебивать», — пишут в OpenAI. «Если попросить его помолчать и послушать, он так и сделает. А когда вокруг фоновый шум — проезжающие машины или разговоры рядом — ChatGPT лучше фокусируется на твоём голосе, не отвлекаясь».
Первые отзывы пользователей с ранним доступом — осторожно позитивные. «У меня был ранний доступ к sol. Это феноменальная модель», — написал один пользователь в X, добавив, что она «намного лучше работает с фронтендом, долгим контекстом и знанием предмета, и её „вибрации“ гораздо лучше». Другой наблюдатель попал в точку: «Самый ум здесь не новый — GPT-Live передаёт сложные вопросы GPT-5.5. Новое здесь — ощущение: полнодуплексный голос, который слушает, пока говорит».
Новые голосовые тесты безопасности: где ещё прячутся риски
Карточка системы GPT-Live, опубликованная вместе с анонсом, раскрывает стратегию безопасности, заточенную под специфические риски голосового общения в реальном времени — сфера, где скорость и интимность разговора создают опасности, нехарактерные для текстового чата.
OpenAI расширила свои оценки безопасности, включив аудионативные тесты — использовали как реальные голосовые образцы пользователей (тех, кто согласился), так и синтетические запросы, нацеленные на крайние случаи: самоповреждение, сексуальный контент, нелегальное поведение, эмоциональная зависимость, психическое здоровье, язык вражды.
На синтетических тестах — их OpenAI описывает как намеренно состязательные — GPT-Live-1 показала значительный прогресс по сравнению с Advanced Voice Mode. Например, по нелегальному поведению оценка безопасности выросла с 0.63 до 0.97. По самоповреждению — с 0.72 до 0.98. Язык вражды достиг идеального 1.00, поднявшись с 0.87.
На тестах с реальными промптами — более размытыми и пограничными сценариями — картина оказалась смешанной. GPT-Live-1 либо сравнялась с Advanced Voice Mode по большинству категорий, либо превзошла её, но показала небольшое снижение по эмоциональной зависимости (с 0.88 до 0.82), хотя OpenAI отмечает, что изменение статистически незначимо.
Компания встроила защиту реального времени, которая может вмешиваться, пока модель говорит: направлять к более безопасным ответам, показывать кризисные ресурсы или полностью завершать голосовой разговор в ситуациях высокого риска. Также сделаны дополнительные защиты для подростков и адаптированы сценарии поддержки при самоповреждении для голоса, включая интеграцию с горячей линией кризисной помощи.
Что показательно: OpenAI говорит, что «внедряет долгосрочные измерения и мониторинг после запуска, сосредоточенные на эмоциональной зависимости» — признание, что сама естественность, к которой стремится GPT-Live, создаёт свою категорию риска.
Google, ByteDance и Nvidia уже в гонке за полный дуплекс
Пока OpenAI шлифовала свои защитные барьеры, конкуренты уже вовсю запускали полнодуплексные системы. Gemini Live от Google, поддерживающий полнодуплексный разговор вместе с камерой и демонстрацией экрана — функций, которых у GPT-Live на старте нет, — уже доступен в приложении Gemini. Google выпустила Gemini 3.1 Flash Live в марте как свою лучшую модель реального времени для аудио, ориентированную на низкую задержку для голосовых взаимодействий разработчиков.
ByteDance запустила Seeduplex в апреле, заявив, что это первая полнодуплексная речевая AI промышленного масштаба, развёрнутая внутри их приложения Doubao. Seeduplex отчиталась о примерно 50%-ном снижении уровня ложных ответов и ложных перебиваний по сравнению с предыдущей полудуплексной системой ByteDance. А PersonaPlex от Nvidia, выпущенная в январе, привнесла кастомизируемый контроль голоса и роли в полнодуплексные модели, ломая прежнее ограничение, где естественно звучащие модели были привязаны к одному фиксированному голосу.
Конкурентная картина ясна: полнодуплексное голосовое взаимодействие быстро становится обязательным минимумом для потребительских AI-продуктов, а не отличительной чертой. Преимущество OpenAI — масштаб существующей пользовательской базы, интеграция с рассуждалкой GPT-5.5 и широта экосистемы ChatGPT. Но окно, в котором у одной компании была монополия на естественно звучащую голосовую AI, уже закрылось.
OpenAI также признала несколько пробелов. GPT-Live не поддерживает голос с видео или демонстрацию экрана на старте. Языковая поддержка ограничена: компания отмечает, что «для некоторых языков модель может иметь неродной акцент или пробелы в беглости». API-доступ недоступен с первого дня — значит, корпоративные разработчики пока не могут строить поверх GPT-Live напрямую. Это замедлит проникновение модели в коммерческие голосовые агентские рабочие процессы, где конкуренты вроде Google, ElevenLabs и Deepgram уже имеют доступные для разработчиков продукты.
Конец чат-окошка может быть ближе, чем все ожидали
GPT-Live — пожалуй, самая серьёзная ставка OpenAI на голос как на основной интерфейс для AI. Не просто удобная функция, прикрученная к текстовому чатботу, а специально спроектированный слой взаимодействия между пользователем и самыми мощными моделями компании.
«Со временем мы считаем, что это исследование также откроет возможность использования голоса для всё более сложных, длительных и агентских задач», — пишут в OpenAI. Эта амбиция — использовать естественный голос как фронтенд для автономных AI-агентов, способных выполнять многошаговые действия, — логичный конец полнодуплексной архитектуры с делегированием. Представь, что говоришь телефону забронировать билет, общаться со страховой компанией или отлаживать продакшен-сервер — через разговор, который ощущается как общение с ассистентом, у которого к тому же интеллект фронтирной AI-модели.
Два года назад разговор с ChatGPT означал диктовку в микрофон и почти две секунды ожидания корявого ответа. Год назад — более гладкий обмен репликами, который всё ещё напоминал вежливый, слегка неловкий телефонный разговор с человеком, который настаивает, что ты должен закончить каждое предложение. Сегодня — нечто близкое к реальной беседе: несовершенное, всё ещё ограниченное в некоторых языках и без видео, но ощутимо ближе. OpenAI когда-то влипла в неприятности, пытаясь воссоздать фильм «Она». С GPT-Live компания, наконец, может столкнуться с тем более трудным вопросом, который фильм на самом деле поставил: не сможет ли AI звучать достаточно по-человечески, чтобы с ним говорить, а что будет с нами, когда это произойдёт.
В среду OpenAI выкатила GPT-Live — пару голосовых моделей, которые переворачивают всё, что мы знали об общении с ChatGPT. Забудьте про Advanced Voice Mode: новая архитектура позволяет слушать и говорить одновременно, почти как в разговоре с живым человеком. Две модели — GPT-Live-1 и GPT-Live-1 mini — с сегодняшнего дня поехали на iOS, Android и ChatGPT.com по всему миру. GPT-Live-1 становится голосом по умолчанию для платных пользователей Go, Plus и Pro, а mini-версия достаётся бесплатникам. OpenAI также планирует запилить API для разработчиков — можно подписаться на уведомления.
Это уже третье поколение голосовых технологий ChatGPT примерно за два года. И самый чёткий сигнал от OpenAI, что их чатбот должен ощущаться не как поисковая строка, а как разговор с коллегой.
Почему полный дуплекс меняет всё в общении с ИИ
Главный технический прорыв GPT-Live — то, что OpenAI называет «архитектурой полного дуплекса». В телекоме это значит, что оба участника звонка могут говорить и слушать одновременно. В случае с ИИ — модель непрерывно обрабатывает твой входящий аудиопоток, даже пока сама генерирует ответ. Больше не нужно ждать гробовой тишины, чтобы понять, закончил ли ты мысль.
«Вместо обработки последовательности отдельных сообщений GPT-Live непрерывно обрабатывает ввод, генерируя вывод», — пишут исследователи OpenAI. «Модель может принимать решения о взаимодействии много раз в секунду: говорить, продолжать слушать, делать паузу, перебивать или вызывать инструмент».
На практике это означает голосового ассистента, который вставляет «мхм», «ага», «понял» прямо во время твоей речи, чувствует естественную паузу, не вклиниваясь раньше времени, и ловит перебивания, не руша весь разговор.
Предыдущий Advanced Voice Mode, запущенный для платных пользователей в сентябре 2024, тоже обрабатывал аудио в одной модели, но работал по жёсткой схеме «ход — ответ». Как признали в OpenAI, «детекция поворота основана на тишине, поэтому короткая пауза или фоновый шум могли быть восприняты как конец хода — модель перебивала в неестественный момент». На демо всё выглядело круто, но в реальной жизни начинало бесить: разговор в кофейне мог спровоцировать ответ, раздумья — оборваться. Ощущение — «рация», как написал один исследователь в X после анонса. GPT-Live призвана похоронить эту эпоху.
Как OpenAI разделила голос и интеллект на два отдельных слоя
GPT-Live вносит ещё одно структурное изменение, которое может оказаться не менее важным для корпоративных внедрений: голосовой слой отделён от слоя рассуждений. Когда пользователь задаёт простой вопрос, GPT-Live отвечает напрямую. Но если запрос требует поиска в интернете, глубоких размышлений или сложных агентских действий, GPT-Live делегирует задачу «фронтирной» модели, работающей в фоне — на старте это GPT-5.5, выпущенная OpenAI в апреле. И продолжает разговаривать с пользователем, пока вычисления идут асинхронно.
«Пока это работает, GPT-Live может продолжать болтать с тобой и поддерживать поток беседы», — объясняют в OpenAI. «По мере выхода новых моделей мы будем постоянно обновлять ту, что используется в GPT-Live».
Это архитектурная ставка: вместо монолитной голосовой модели, которая пытается быть и беглой в разговоре, и глубоко умной, OpenAI разбила задачу надвое — голосовая модель для реального времени и отдельный движок рассуждений, который можно апгрейдить по мере прогресса. По сути, модульная конструкция: интеллект голосового помощника улучшается без переобучения самой голосовой модели. Для разработчиков и бизнеса это значит, что голосовой агент может поддерживать естественную беседу с клиентом, одновременно запрашивая базы данных, гугля или выполняя многошаговые рассуждения — без мертвых пауз в несколько секунд, как было раньше.
Три поколения голоса ChatGPT: от корявого пайплайна к непрерывному потоку
Чтобы понять, как далеко ушла голосовая AI, стоит проследить три поколения, предшествовавшие GPT-Live.
Оригинальный ChatGPT Voice, запущенный в 2023, работал как каскад: модель распознавания речи (Whisper) записывала твои слова, большая языковая модель (GPT-4) генерировала текстовый ответ, а модель синтеза речи превращала ответ обратно в аудио. Каждая передача добавляла задержку и теряла информацию. Как отмечают в OpenAI, «сложность шла с ценой: информация могла теряться между моделями, ответы были медленными и неестественными». Этот каскад был индустриальным стандартом, и его ограничения хорошо задокументированы. По данным блога OpenHelm, старый пайплайн накапливал около 1700 миллисекунд задержки — почти две секунды мёртвой тишины до первого слова ответа. Управление состоянием между тремя отдельными API сжирало кучу инженерных усилий.
Advanced Voice Mode от OpenAI — ограниченный запуск для платных пользователей ChatGPT Plus в июле 2024, расширение в сентябре — сколлапсировал этот трёхмодельный пайплайн в одну модель, обрабатывающую аудио нативно. Как писал TechCrunch, релиз принёс пять новых голосов — Arbor, Maple, Sol, Spruce и Vale — вместе с улучшенной обработкой акцентов и более плавными разговорами. В ноябре 2024 функция появилась и на вебе, расширившись за пределы мобильных. Но Advanced Voice Mode всё равно работал дискретными чередующимися ходами — и вышел в тени PR-катастрофы, от которой OpenAI до сих пор отмывается.
Скандал со Скарлетт Йоханссон всё ещё тянется за голосовыми амбициями OpenAI
Advanced Voice Mode дебютировал после одного из самых самоубийственных кризисов OpenAI. Во время запуска GPT-4o в мае 2024 компания показала голос по имени «Скай», который многие слушатели мгновенно опознали как подозрительно похожий на Скарлетт Йоханссон — она как раз озвучивала AI-компаньона в фильме «Она» 2013 года.
Йоханссон заявила, что отклонила предложение генерального директора OpenAI Сэма Альтмана озвучить систему, а затем была «шокирована, разгневана и не верила своим глазам», когда продукт вышел с голосом, который её собственные друзья не могли отличить от её. Альтман твитнул просто слово «her» в день запуска.
OpenAI убрала голос и извинилась, но инцидент привлёк внимание профсоюза SAG-AFTRA и членов Конгресса, кристаллизовав более широкие опасения, что AI-компании слишком быстро двигаются с контентом, защищённым авторским правом. Голливудский профсоюз заявил, что эта ситуация подчёркивает, «почему мы активно продвигаем федеральное законодательство, которое защитит их голоса и образы от несанкционированного цифрового копирования». Журналист Forbes Пол Тасси написал, что Альтман, «держа „Ону“ на пьедестале как нечто, к чему стоит стремиться, упустил суть этого фильма», где отношения протагониста с AI-компаньоном в итоге приносят больше вреда, чем пользы.
GPT-Live, похоже, частично призвана уйти от этих скандалов. OpenAI заявляет, что «переработала девять различных голосов в ChatGPT для GPT-Live» и отмечает, что система «спроектирована для разговора, а не для имитации голоса», с «защитами, предотвращающими подражание голосу реального человека».
Что 150 миллионов еженедельных голосовых пользователей заметят уже сегодня
OpenAI раскрыла, что более 150 миллионов человек каждую неделю разговаривают с ChatGPT голосом и с помощью диктовки — заметный кусок от 900 миллионов еженедельных активных пользователей. Голосовой интерфейс превратился в самостоятельный продукт: его используют для практики языков, сказок на ночь, болтовни в дороге и повседневной помощи без рук.
Новые функции отражают это. GPT-Live представляет яркие визуальные карточки, которые появляются во время голосового разговора: прогноз погоды, котировки, спортивные результаты, карты — чтобы было на что взглянуть, не прерывая поток речи.
Теперь можно выбрать три уровня глубины ответа: Мгновенный — для быстрых ответов, Средний — для стандартного обдумывания, Высокий — для сложных задач. И если ты задумался, «ChatGPT Voice теперь ждёт, вместо того чтобы вклиниваться и перебивать», — пишут в OpenAI. «Если попросить его помолчать и послушать, он так и сделает. А когда вокруг фоновый шум — проезжающие машины или разговоры рядом — ChatGPT лучше фокусируется на твоём голосе, не отвлекаясь».
Первые отзывы пользователей с ранним доступом — осторожно позитивные. «У меня был ранний доступ к sol. Это феноменальная модель», — написал один пользователь в X, добавив, что она «намного лучше работает с фронтендом, долгим контекстом и знанием предмета, и её „вибрации“ гораздо лучше». Другой наблюдатель попал в точку: «Самый ум здесь не новый — GPT-Live передаёт сложные вопросы GPT-5.5. Новое здесь — ощущение: полнодуплексный голос, который слушает, пока говорит».
Новые голосовые тесты безопасности: где ещё прячутся риски
Карточка системы GPT-Live, опубликованная вместе с анонсом, раскрывает стратегию безопасности, заточенную под специфические риски голосового общения в реальном времени — сфера, где скорость и интимность разговора создают опасности, нехарактерные для текстового чата.
OpenAI расширила свои оценки безопасности, включив аудионативные тесты — использовали как реальные голосовые образцы пользователей (тех, кто согласился), так и синтетические запросы, нацеленные на крайние случаи: самоповреждение, сексуальный контент, нелегальное поведение, эмоциональная зависимость, психическое здоровье, язык вражды.
На синтетических тестах — их OpenAI описывает как намеренно состязательные — GPT-Live-1 показала значительный прогресс по сравнению с Advanced Voice Mode. Например, по нелегальному поведению оценка безопасности выросла с 0.63 до 0.97. По самоповреждению — с 0.72 до 0.98. Язык вражды достиг идеального 1.00, поднявшись с 0.87.
На тестах с реальными промптами — более размытыми и пограничными сценариями — картина оказалась смешанной. GPT-Live-1 либо сравнялась с Advanced Voice Mode по большинству категорий, либо превзошла её, но показала небольшое снижение по эмоциональной зависимости (с 0.88 до 0.82), хотя OpenAI отмечает, что изменение статистически незначимо.
Компания встроила защиту реального времени, которая может вмешиваться, пока модель говорит: направлять к более безопасным ответам, показывать кризисные ресурсы или полностью завершать голосовой разговор в ситуациях высокого риска. Также сделаны дополнительные защиты для подростков и адаптированы сценарии поддержки при самоповреждении для голоса, включая интеграцию с горячей линией кризисной помощи.
Что показательно: OpenAI говорит, что «внедряет долгосрочные измерения и мониторинг после запуска, сосредоточенные на эмоциональной зависимости» — признание, что сама естественность, к которой стремится GPT-Live, создаёт свою категорию риска.
Google, ByteDance и Nvidia уже в гонке за полный дуплекс
Пока OpenAI шлифовала свои защитные барьеры, конкуренты уже вовсю запускали полнодуплексные системы. Gemini Live от Google, поддерживающий полнодуплексный разговор вместе с камерой и демонстрацией экрана — функций, которых у GPT-Live на старте нет, — уже доступен в приложении Gemini. Google выпустила Gemini 3.1 Flash Live в марте как свою лучшую модель реального времени для аудио, ориентированную на низкую задержку для голосовых взаимодействий разработчиков.
ByteDance запустила Seeduplex в апреле, заявив, что это первая полнодуплексная речевая AI промышленного масштаба, развёрнутая внутри их приложения Doubao. Seeduplex отчиталась о примерно 50%-ном снижении уровня ложных ответов и ложных перебиваний по сравнению с предыдущей полудуплексной системой ByteDance. А PersonaPlex от Nvidia, выпущенная в январе, привнесла кастомизируемый контроль голоса и роли в полнодуплексные модели, ломая прежнее ограничение, где естественно звучащие модели были привязаны к одному фиксированному голосу.
Конкурентная картина ясна: полнодуплексное голосовое взаимодействие быстро становится обязательным минимумом для потребительских AI-продуктов, а не отличительной чертой. Преимущество OpenAI — масштаб существующей пользовательской базы, интеграция с рассуждалкой GPT-5.5 и широта экосистемы ChatGPT. Но окно, в котором у одной компании была монополия на естественно звучащую голосовую AI, уже закрылось.
OpenAI также признала несколько пробелов. GPT-Live не поддерживает голос с видео или демонстрацию экрана на старте. Языковая поддержка ограничена: компания отмечает, что «для некоторых языков модель может иметь неродной акцент или пробелы в беглости». API-доступ недоступен с первого дня — значит, корпоративные разработчики пока не могут строить поверх GPT-Live напрямую. Это замедлит проникновение модели в коммерческие голосовые агентские рабочие процессы, где конкуренты вроде Google, ElevenLabs и Deepgram уже имеют доступные для разработчиков продукты.
Конец чат-окошка может быть ближе, чем все ожидали
GPT-Live — пожалуй, самая серьёзная ставка OpenAI на голос как на основной интерфейс для AI. Не просто удобная функция, прикрученная к текстовому чатботу, а специально спроектированный слой взаимодействия между пользователем и самыми мощными моделями компании.
«Со временем мы считаем, что это исследование также откроет возможность использования голоса для всё более сложных, длительных и агентских задач», — пишут в OpenAI. Эта амбиция — использовать естественный голос как фронтенд для автономных AI-агентов, способных выполнять многошаговые действия, — логичный конец полнодуплексной архитектуры с делегированием. Представь, что говоришь телефону забронировать билет, общаться со страховой компанией или отлаживать продакшен-сервер — через разговор, который ощущается как общение с ассистентом, у которого к тому же интеллект фронтирной AI-модели.
Два года назад разговор с ChatGPT означал диктовку в микрофон и почти две секунды ожидания корявого ответа. Год назад — более гладкий обмен репликами, который всё ещё напоминал вежливый, слегка неловкий телефонный разговор с человеком, который настаивает, что ты должен закончить каждое предложение. Сегодня — нечто близкое к реальной беседе: несовершенное, всё ещё ограниченное в некоторых языках и без видео, но ощутимо ближе. OpenAI когда-то влипла в неприятности, пытаясь воссоздать фильм «Она». С GPT-Live компания, наконец, может столкнуться с тем более трудным вопросом, который фильм на самом деле поставил: не сможет ли AI звучать достаточно по-человечески, чтобы с ним говорить, а что будет с нами, когда это произойдёт.