Balsas tampa vis svarbesne žmogaus ir dirbtinio intelekto sąsaja. 2026 m. liepos 8 d. „OpenAI“ pristatė naują balso modelių šeimą GPT‑Live, kuri dabar diegiama į „ChatGPT Voice“. Tuo metu „Google“ skelbia, kad jos gyvo balso funkcijų naudojimas per metus iki 2026 m. balandžio padvigubėjo.
Abi bendrovės tikisi, kad balsas taps viena pagrindinių sąsajų su DI agentais, vykdančiais ilgesnes ir sudėtingesnes užduotis. Vis dėlto kol kas tai yra technologijų bendrovių strateginė kryptis, o ne įrodymas, kad balsas artimiausiu metu pakeis tekstą.
Kuo GPT‑Live skiriasi nuo ankstesnių sistemų
Pirmosios „ChatGPT Voice“ versijos veikė kaip trijų etapų grandinė: vartotojo kalba būdavo paverčiama tekstu, tekstinis modelis parengdavo atsakymą, o tada jis vėl būdavo paverčiamas garsu. Pasak „OpenAI“, tokia sistema veikė lėčiau, galėjo prarasti dalį informacijos ir kartais skambėdavo nenatūraliai.
Vėliau atsiradęs „Advanced Voice Mode“ jau galėjo apdoroti ir generuoti garsą viename modelyje, tačiau pokalbis vis dar vyko atskirais etapais: sistema laukdavo, kol žmogus baigs kalbėti, ir tik tada pradėdavo atsakyti. Dėl pauzių ar aplinkos triukšmo modelis kartais klaidingai nuspręsdavo, kad vartotojas jau baigė sakinį.
GPT‑Live pagrįsta vadinamąja „full-duplex“ architektūra. Ji leidžia modeliui nuolat apdoroti garso įvestį ir tuo pačiu metu generuoti atsakymą. Sistema gali nuspręsti, kada klausytis, kalbėti, padaryti pauzę, leisti vartotojui įsiterpti arba panaudoti papildomą įrankį.
Sudėtingesnes užduotis, kurioms reikia interneto paieškos, išsamesnio samprotavimo ar agentinių gebėjimų, GPT‑Live gali perduoti fone veikiančiam modeliui. Pristatymo metu tam naudojamas GPT‑5.5. Kol jis atlieka užduotį, GPT‑Live gali tęsti pokalbį su vartotoju.
Taigi GPT‑Live nereikėtų vertinti kaip visiškai savarankiško universalaus modelio. Ji pirmiausia valdo gyvą pokalbį, o sudėtingesniam darbui gali pasitelkti kitą sistemą.
Balso funkcijų naudojimas auga
„OpenAI“ duomenimis, kiekvieną savaitę „ChatGPT“ balso ir diktavimo funkcijomis naudojasi daugiau kaip 150 mln. žmonių. Šis skaičius apima ne tik tiesioginius pokalbius balsu, bet ir diktavimą, todėl jo negalima laikyti vien „ChatGPT Voice“ aktyvių vartotojų skaičiumi.
„Google“ teigia, kad jos gyvo balso funkcijų naudojimas per metus iki 2026 m. balandžio padvigubėjo. Bendrovės duomenimis, pokalbiai balsu vidutiniškai trunka penkis kartus ilgiau nei pokalbiai tekstu.
Tai nereiškia, kad jų trukmė per metus padidėjo penkis kartus. Šis rodiklis parodo skirtumą tarp balso ir teksto pokalbių trukmės.
Abiejų bendrovių pateiktų naudojimo duomenų metodika viešai išsamiai nepaaiškinta. Be to, ilgesnis pokalbis nebūtinai reiškia, kad balso sąsaja yra efektyvesnė: pokalbio trukmė savaime neparodo nei atliktos užduoties kokybės, nei vartotojui suteiktos naudos.
Investuotojų susidomėjimas šia sritimi taip pat didėja. „Financial Times“, remdamasis „PitchBook“ duomenimis, skelbia, kad 2026 m. pirmąjį ketvirtį balso DI startuoliai pritraukė apie 7 mlrd. JAV dolerių investicijų. Prieš metus ši suma nesiekė 1 mlrd. dolerių.
Programavimas balsu
„Microsoft“ atsakingo DI produktų vadovė Sarah Bird teigia, kad balsas gali būti patogus skiriant agentams ilgiau vykdomas užduotis. Ji mini mačiusi kolegas, kurie telefonu pateikia programavimo komandas dirbdami su „GitHub“.
„OpenAI“ tarptautinės strategijos ir operacijų srityje dirbantis Sandro Gianella taip pat teigia, kad balsas tapo svarbia jo darbo su „Codex“ dalimi. Pasak jo, rašydamas žmogus dažnai per anksti sutrumpina problemą iki konkrečios komandos, o kalbėdamas linkęs išsamiau paaiškinti tikslą, apribojimus, abejones ir pageidaujamą rezultatą.
Tai gali būti vienas iš realių balso pranašumų. DI agentams sudėtingose užduotyse dažnai svarbus ne tik pats nurodymas, bet ir kontekstas, kurį žmogui lengviau išdėstyti kalbant.
Tačiau balsas ne visada patogesnis. Programiniam kodui, failų pavadinimams, tikslioms komandoms, formulėms ar skaitiniams parametrams tekstas išlieka patikimesnis ir lengviau patikrinamas.
Atsiranda balsui skirta aparatinė įranga
Augant balso DI naudojimui, kuriami ir specializuoti įrenginiai. „Plaud“ ir „Pocket“ siūlo nešiojamus įrašymo bei diktavimo prietaisus, o bendrovė „Sandbar“ kuria išmanųjį žiedą „Stream“. Juo galima diktuoti tekstą, įrašyti pastabas ir bendrauti su DI asistentu.
Tokia įranga gali sumažinti poreikį kiekvieną kartą išsitraukti telefoną. Kita vertus, nuolat šalia esantys mikrofonai kelia privatumo, duomenų saugojimo ir aplinkinių žmonių sutikimo klausimų.
„Financial Times“, remdamasis su projektu susipažinusiais šaltiniais, taip pat praneša, kad 2027 m. pradžioje „OpenAI“ gali pristatyti aplinkoje veikiantį balso asistento įrenginį su kamera, mikrofonais ir garsiakalbiu. Bendrovė jo techninių savybių ir tikslios pristatymo datos oficialiai nėra patvirtinusi, todėl šią informaciją reikia vertinti kaip neoficialią.
Ką tai reiškia vartotojams
„OpenAI“ pradėjo GPT‑Live diegti „ChatGPT“ naudotojams visame pasaulyje per „iOS“, „Android“ ir internetinę platformą „ChatGPT.com“.
GPT‑Live‑1 turėtų tapti pagrindiniu „ChatGPT Voice“ modeliu Go, Plus ir Pro planų naudotojams, o nemokamo plano vartotojams skirta lengvesnė GPT‑Live‑1 mini versija. Kadangi funkcija diegiama palaipsniui, ji gali pasirodyti ne visose paskyrose vienu metu.
GPT‑Live pristatymo pranešime „OpenAI“ nepateikė konkretaus kalbų, kurioms modelis optimizuotas, sąrašo. Bendrovė pripažįsta, kad kai kuriomis kalbomis modelis gali kalbėti su svetimu akcentu arba nevisiškai sklandžiai. Todėl lietuvių kalbos kokybę reikėtų vertinti praktiškai, o ne automatiškai prilyginti anglų kalbos galimybėms.
Balso DI Lietuvoje taip pat susidurs su bendromis kliūtimis: aplinkos triukšmu, tarmių ir akcentų atpažinimu, privatumo klausimais bei socialiniu nepatogumu kalbant su įrenginiu viešoje vietoje. Dėl to balsas greičiausiai papildys tekstinę sąsają, bet artimiausiu metu jos visiškai nepakeis.
Nauja GPT‑Live architektūra rodo, kad pokalbis su DI tampa natūralesnis ir techniškai sudėtingesnis. Tačiau teiginys, kad balsas taps pagrindine žmogaus ir DI sąsaja, kol kas lieka technologijų bendrovių prognoze, kurią dar turės patvirtinti realus vartotojų elgesys.
Šaltiniai: „OpenAI“ – „Introducing GPT‑Live“, „Financial Times“ – „Big Tech bets AI's future will be spoken“, „TechCrunch“ – apie „Sandbar Stream“ žiedą.