คุณยังพูดไม่จบ แต่ AI ก็เริ่มตอบแล้ว—นี่คือช่วงเวลาที่น่าอึดอัดที่สุดของโหมดเสียง ChatGPT การอัปเดตครั้งนี้ของ OpenAI ไม่ได้เน้นที่การทำให้โมเดลฉลาดขึ้น แต่มุ่งแก้ปัญหาพื้นฐานเรื่องมารยาทในการสนทนานี้ก่อน
ฟีเจอร์เสียงของ ChatGPT พัฒนามาถึงเจเนอเรชันที่สามแล้ว Voice Mode รุ่นแรกในปี 2023 จริงๆ แล้วคือการเอาระบบสามชุดมาต่อกันแบบดิบๆ: แปลงเสียงเป็นข้อความก่อน แล้วส่งให้โมเดลภาษาสร้างคำตอบ จากนั้นใช้โมเดลแปลงข้อความเป็นเสียงอีกตัวมาอ่านออกมา ระหว่างขั้นตอนเหล่านี้มักมีความรู้สึกแข็งกระด้างแบบเครื่องจักรให้เห็นชัด ต่อมา Advanced Voice Mode ได้รวมกระบวนการทั้งหมดเข้าเป็นโมเดลมัลติโมดัลตัวเดียว ประสบการณ์ใช้งานดีขึ้นก็จริง แต่ก็ยังเป็นสถาปัตยกรรมที่พูดสลับกันทีละฝ่าย—คุณหยุดพูดแค่แว้บเดียว มันก็คิดว่าคุณพูดจบแล้ว แล้วก็เริ่มตอบขึ้นมาทันที ทั้งที่คุณยังพูดไม่จบเลย
ตอนนี้ตัวที่ถูกตั้งเป็นค่าเริ่มต้นคือ GPT-Live ซึ่ง OpenAI เรียกว่าเป็นสถาปัตยกรรมแบบ "Full-Duplex" ที่ฟังและพูดได้ในเวลาเดียวกัน ความแตกต่างที่เห็นได้ชัดที่สุดตอนใช้งานจริงคือ มันจะแทรกคำตอบรับสั้นๆ อย่าง "อืมม" "ใช่" ระหว่างที่คุณพูดอยู่เป็นระยะ เหมือนกับคนจริงๆ ที่ฟังคุณพูดแล้วตอบรับแบบไม่ตั้งใจ เมื่อเจอคำถามที่ซับซ้อนต้องใช้การให้เหตุผลหรือค้นหาข้อมูล GPT-Live จะส่งงานไปให้โมเดลอย่าง GPT-5.5 ที่ทำงานอยู่เบื้องหลังจัดการ พร้อมกับรักษาการสนทนาให้ต่อเนื่องไม่สะดุด
ความแตกต่างระหว่างเวอร์ชันเสียเงินกับเวอร์ชันฟรี
ตอนนี้ GPT-Live ใช้งานได้ผ่านแอป ChatGPT ทั้งบน iOS, Android และเวอร์ชันเว็บ ผู้ใช้ที่สมัครแพ็กเกจ Pro, Plus, Go จะได้ใช้โมเดล GPT-Live-1 ส่วนผู้ใช้ฟรีจะได้ใช้ GPT-Live-1 mini หากต้องการเริ่มสนทนา แค่แตะไอคอนเสียงรูปคลื่นที่อยู่ขวาสุดของช่องพิมพ์ข้อความ ครั้งแรกที่ใช้งานระบบจะขอสิทธิ์เข้าถึงไมโครโฟน
เมื่อเข้าสู่โหมดเสียง หน้าจอจะปรากฏลูกบอลลอยที่ตอบสนองต่อเสียงพูด แตะไอคอนตั้งค่าที่มุมขวาบนเพื่อสลับระดับความฉลาดระหว่าง Instant, Medium, High ได้—แต่ฟีเจอร์ปรับแต่งนี้เปิดให้ใช้เฉพาะแพ็กเกจเสียเงินเท่านั้น เวอร์ชัน mini ยังไม่สามารถปรับได้ในตอนนี้ ระหว่างสนทนาด้วยเสียง หากสลับไปแอปอื่นหรือล็อกหน้าจอ ChatGPT ก็จะยังคงรักษาสายการสนทนาไว้ต่อไป
GPT-Live ยังไม่รองรับการแชร์หน้าจอหรือภาพในขณะนี้ หากต้องการใช้ฟีเจอร์นี้ สามารถไปที่เมนู Voice ในหน้าตั้งค่าเพื่อสลับกลับไปใช้โมเดลเสียงเวอร์ชันเก่า เมนูเดียวกันนี้ยังใช้เปลี่ยนเสียงพูด เปลี่ยนภาษา หรือตั้งให้โหมดเสียงเป็นค่าเริ่มต้นทุกครั้งที่เปิดแอปได้ด้วย
ความรู้สึกที่มันพูดไปพร้อมกับรอคุณไปด้วย
Adnan Ahmed บรรณาธิการของ Engadget ที่เดิมชินกับการพิมพ์ข้อความและไม่ค่อยรู้สึกอะไรกับฟีเจอร์เสียงมากนัก จนกระทั่งได้ลองใช้ GPT-Live คุยบทสนทนายาวๆ จริงๆ ถึงเปลี่ยนความคิด สิ่งที่ทำให้เขาประทับใจไม่ใช่ความฉลาดของคำตอบ แต่คือการที่เขาลืมไปเลยว่ากำลังคุยกับ AI อยู่—ไม่ถูกตัดบท ไม่ต้องรอให้มันพูดจบอย่างอึดอัดกว่าจะแทรกได้ ตอนพูดประโยคยาวๆ ยังรู้สึกเหมือนมันคาดเดาล่วงหน้าได้ว่าเขาจะพูดอะไรต่อ
การตอบสนองแบบเรียลไทม์นี้ยังทำให้ GPT-Live เหมาะกับการใช้แปลภาษาสด ระหว่างสนทนา สามารถเลื่อนลงเพื่อดูข้อความถอดเสียงแบบเต็มได้ตลอด และถ้าคำถามเหมาะกับการแสดงผลด้วยแผนภูมิหรือหน้าจอ ระบบจะสร้างองค์ประกอบภาพเชิงโต้ตอบขึ้นมาข้างๆ คำตอบเสียง
ระดับความฉลาดค่าเริ่มต้นคือ Instant ซึ่งเร็วพอสำหรับคำถามทั่วไปในชีวิตประจำวัน ส่วนเนื้อหาที่ต้องตรวจสอบข้อมูลหรือใช้การให้เหตุผลเชิงลึก ระบบก็ยังจะส่งงานไปให้โมเดลเบื้องหลังจัดการอยู่ดี หากคุณคุยเรื่องซับซ้อนบ่อยๆ การสลับไปใช้ Medium หรือ High จะทำให้ใช้เวลาคิดเพิ่มขึ้นอีกหนึ่งถึงสองวินาที แต่ความล่าช้าเล็กน้อยนี้ก็ไม่ได้ส่งผลต่อความลื่นไหลของบทสนทนาแต่อย่างใด
