OpenAI a officiellement lancé le 9 juillet le modèle vocal en duplex intégral GPT-Live-1 et GPT-Live-1 mini, disponibles dès maintenant sur iOS, Android et ChatGPT.com dans le monde entier, en remplacement de l'ancienne version du Mode Voix Avancé.
Spécifications de lancement de GPT-Live-1 et GPT-Live-1 mini : utilisateurs payants, utilisateurs gratuits et planification API
Selon l'annonce d'OpenAI, l'utilisation de GPT-Live se répartit comme suit : GPT-Live-1 est le modèle vocal par défaut pour les abonnés Go, Plus et Pro ; GPT-Live-1 mini est réservé aux utilisateurs gratuits ; pour l'API, les développeurs sont actuellement en liste d'attente, la disponibilité n'étant pas encore ouverte.
Les deux modèles sont disponibles immédiatement sur iOS, Android et ChatGPT.com dans le monde entier. Il s'agit de la troisième refonte de la technologie vocale ChatGPT en deux ans, et c'est aussi la déclaration de position la plus claire d'OpenAI : la voix deviendra l'interface principale de dialogue entre l'humain et l'IA, plutôt qu'une fonction additionnelle du robot de chat textuel.
Principe de l'architecture en duplex intégral : problèmes de la version précédente du Mode Voix Avancé et solution de GPT-Live
D'après le blog de recherche d'OpenAI, le problème central de l'ancienne version du Mode Voix Avancé résidait dans la détection des tours par silence — un court silence ou du bruit de fond pouvait être confondu avec la fin de la parole de l'utilisateur, ce qui provoquait des interruptions inappropriées du modèle ; ce « tour de rôle en boucle » rendait la conversation artificielle, chaque interlocuteur ne pouvant parler qu'à tour de rôle.
GPT-Live utilise une architecture en duplex intégral, où le modèle traite en continu les entrées tout en générant des sorties, permettant plusieurs décisions interactives par seconde : quand parler, continuer d'écouter, faire une pause, interrompre ou appeler un outil, rendant la conversation plus proche d'une interaction humaine réelle.
Séparation des couches vocale et de raisonnement : délégation à GPT-5.5, niveaux de raisonnement en trois étapes et nouvelles fonctionnalités
La conception clé de GPT-Live consiste en une séparation modulaire entre la « couche d'interaction vocale » et la « couche de raisonnement » : les questions simples sont traitées directement par GPT-Live ; les questions complexes (recherche sur Internet, raisonnement approfondi ou tâches multi-étapes) sont déléguées à GPT-5.5 en arrière-plan, qui continue la conversation pendant le traitement, évitant ainsi les pauses de plusieurs secondes dans l'ancien pipeline.
Les avantages de cette conception modulaire incluent la possibilité de mettre à jour l'intelligence de raisonnement sans réentraîner le modèle vocal. Les entreprises et développeurs peuvent intégrer des agents vocaux dans des bases de données, des moteurs de recherche ou des tâches multi-étapes. Les nouvelles fonctionnalités synchronisées avec cette version comprennent :
- Niveaux de raisonnement en trois étapes : Instantané, Moyen, Complexe, permettant à l'utilisateur de choisir un équilibre entre rapidité et profondeur.
- Cartes visuelles instantanées : affichage automatique d'informations telles que météo, cours boursiers, scores sportifs, cartes, etc., durant le dialogue.
- Neuf voix de dialogue : voix recréées, conçues « pour la conversation, non pour l'imitation vocale », avec un mécanisme de protection contre la simulation de voix humaines.
Questions fréquentes
Quelle est la différence entre GPT-Live-1 et GPT-Live-1 mini ?
Selon l'annonce d'OpenAI, GPT-Live-1 est le modèle vocal par défaut pour les abonnements Go, Plus et Pro ; GPT-Live-1 mini est destiné aux utilisateurs gratuits ; l'API est en liste d'attente pour les développeurs. Les deux modèles sont disponibles immédiatement sur iOS, Android et ChatGPT.com dans le monde entier.
Comment GPT-Live gère-t-il les questions complexes, et en quoi cela diffère-t-il de l'ancienne version du Mode Voix Avancé ?
D'après la documentation d'OpenAI, GPT-Live adopte une architecture modulaire séparant la couche vocale et la couche de raisonnement ; les tâches complexes sont déléguées à GPT-5.5 en arrière-plan, la couche vocale restant active pour continuer la conversation sans pause de plusieurs secondes comme dans l'ancien mode. L'ancien Mode Voix Avancé utilisait la détection de silence pour déterminer les tours, ce qui pouvait entraîner des erreurs d'interruption ; GPT-Live, en revanche, fonctionne en duplex intégral, traitant simultanément l'entrée et la sortie.
Pourquoi la nouvelle conception vocale de GPT-Live insiste-t-elle sur la « prévention de la simulation de voix humaines » ?
Selon les rapports, cette conception est liée à l'incident « Sky » survenu lors de la présentation de GPT-4o en mai 2024 : la voix ressemblait fortement à l'actrice Scarlett Johansson, qui avait refusé l'invitation de Sam Altman pour une voix off, et s'était dit choquée et furieuse par la suite ; OpenAI avait alors retiré cette voix et présenté ses excuses. Les neuf nouvelles voix mettent l'accent sur « la conception pour la conversation, non pour l'imitation vocale », avec un mécanisme technique de protection contre la simulation de voix humaines.
